WO2021261173A1 - 機械学習装置、固形物含水率測定装置、推論装置及び機械学習方法 - Google Patents

機械学習装置、固形物含水率測定装置、推論装置及び機械学習方法 Download PDF

Info

Publication number
WO2021261173A1
WO2021261173A1 PCT/JP2021/020486 JP2021020486W WO2021261173A1 WO 2021261173 A1 WO2021261173 A1 WO 2021261173A1 JP 2021020486 W JP2021020486 W JP 2021020486W WO 2021261173 A1 WO2021261173 A1 WO 2021261173A1
Authority
WO
WIPO (PCT)
Prior art keywords
water content
learning
liquid
solid matter
image data
Prior art date
Application number
PCT/JP2021/020486
Other languages
English (en)
French (fr)
Inventor
路明 杉浦
徹也 荻原
Original Assignee
巴工業株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 巴工業株式会社 filed Critical 巴工業株式会社
Publication of WO2021261173A1 publication Critical patent/WO2021261173A1/ja

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D21/00—Separation of suspended solid particles from liquids by sedimentation
    • B01D21/26—Separation of sediment aided by centrifugal force or centripetal force
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F11/00—Treatment of sludge; Devices therefor
    • C02F11/12—Treatment of sludge; Devices therefor by de-watering, drying or thickening
    • C02F11/121—Treatment of sludge; Devices therefor by de-watering, drying or thickening by mechanical de-watering
    • C02F11/127—Treatment of sludge; Devices therefor by de-watering, drying or thickening by mechanical de-watering by centrifugation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis

Definitions

  • the present disclosure relates to a machine learning device, a solid water content measuring device, an inference device, and a machine learning method.
  • a sludge dehydrator or centrifuge that performs solid-liquid separation using squeezing or centrifugal force in a water treatment facility that treats liquids to be treated such as water and sewage, industrial wastewater, or urine (hereinafter collectively referred to as "these are collectively referred to as” “Separator”) has been used conventionally.
  • a separation device for example, a decanter type centrifuge and a rotary pressure dehydrator are known (see Japanese Patent No. 54400999 and Japanese Patent Application Publication No. 2007-326011).
  • the brightness information in the captured image obtained by capturing the solid matter is obtained in order to monitor the degree of drying of the dried solid matter. It is used to measure the water content of solids (see Japanese Patent Application Publication No. 2014-25720).
  • a solid substance separated from a liquid to be treated is used as an index for evaluating the separation result.
  • Moisture content may be used.
  • the value of the water content is within the range of an appropriate value, it can be judged that the separation treatment is generally good.
  • a method for measuring the water content for example, a method of putting a solid sample in an evaporating dish and drying it to compare the mass before and after, or a method of irradiating the solid sample with infrared rays and heating and drying it to measure the mass before and after.
  • a method using an infrared water diversion meter for comparison is known.
  • these methods have relatively high measurement accuracy, they require a long time (specifically, at least several hours) because a drying step is required during the measurement.
  • a method of shortening the measurement time of the water content and enabling online continuous measurement a method of measuring the water content using microwaves is also known, but the measuring device itself is expensive and the measurement accuracy is described above.
  • the present disclosure includes a machine learning device, a solid body water content measuring device, for measuring or estimating the water content of a liquid-containing solid separated by a separating device in a relatively short time and with high accuracy. It is an object of the present invention to provide an inference device and a machine learning method.
  • the machine learning device 20 is an image obtained by capturing a liquid-containing solid material M arranged in a predetermined region from a predetermined angle, for example, as shown in FIG.
  • a data set storage unit 22 that stores a plurality of sets of learning data sets including data and a water content of the liquid-containing solid matter M captured; the image is obtained by inputting a plurality of sets of the learning data sets. It includes a learning unit 23 that learns a learning model that infers the water content from data; and a trained model storage unit 24 that stores the learning model after being trained by the learning unit 23.
  • the image data is the liquid-containing solid matter M. It was obtained by imaging from an angle of view where the surface can be imaged.
  • the solid matter water content measuring device 30 acquires image data obtained by capturing an image of a liquid-containing solid matter M arranged in a predetermined region from a predetermined angle, as shown in FIG. 7, for example.
  • the inference unit 32 for inferring the water content of the liquid-containing solid M by inputting the image data into the trained model generated by the machine learning device 20 according to the above-described embodiment. Includes;
  • the inference result of the water content of the liquid-containing solid matter can be obtained in a short time. Further, since the information required for inferring the water content is only the image data of the liquid-containing solid matter, the inference result can be obtained relatively easily.
  • the solid matter water content measuring device 30 according to the fourth aspect of the present disclosure is, for example, as shown in FIG. 2, in the solid matter water content measuring device 30 according to the third aspect, the liquid-containing solid matter M. Containes solids extracted by a centrifuge or sludge dehydrator.
  • the solid matter water content measuring device 30 acquires the data in the solid matter water content measuring device 30 according to the third aspect.
  • the unit 31 includes a tray 16 having a predetermined depth capable of filling the liquid-containing solid material M, a scraper 19 for flattening the surface of the liquid-containing solid material M filled in the tray 16, and the scraper 19. Includes a camera 17 that captures the surface of the liquid-containing solid M in the tray 16.
  • the data acquisition unit 31A is Of the liquid-containing solids M connected to the centrifuge or the sludge dehydrator and attached to the transport paths 7 and 10 for transporting the liquid-containing solids M and transported in the transport paths 7 and 10.
  • a camera 17A that images the surface.
  • the inference device includes a memory and at least one processor, wherein the at least one processor: images a liquid-containing solid matter arranged in a predetermined area from a predetermined angle. It is configured to execute a process of acquiring image data; and a process of inferring the water content of the liquid-containing solid material when the image data is input.
  • the machine learning method according to the eighth aspect of the present disclosure is, for example, as shown in FIG. 6, a machine learning method using a computer, in which a liquid-containing solid material M arranged in a predetermined region has a predetermined angle of view.
  • a machine learning device capable of measuring or estimating the water content of a liquid-containing solid separated by a separation device in a relatively short time (specifically, about several minutes) and with high accuracy.
  • a solids water content measuring device, an inference device, and a machine learning method can be provided.
  • a sludge dehydrator or a centrifuge as an example of the device to which the measurement result of the solid matter water content measuring device according to the embodiment of the present disclosure is applied is briefly described. To explain to. Here, specifically, a decanter type centrifuge 1 including a horizontal decanter will be illustrated.
  • the machine learning device, the solid matter water content measuring device, the inference device, and the machine learning method of the present disclosure are applied to the liquid-containing solid matter discharged from the decanter type centrifuge device 1. Then, the water content of this liquid-containing solid is measured or estimated.
  • the specific embodiment of the separation device according to the present disclosure is not limited to that shown here, and for example, a centrifuge containing a vertical type or straight body type decanter, and Japanese Patent Application Publication No. 2007-. It can also be applied to a screw press type or belt press type centrifuge, a reaction type separator, or the like as shown in Japanese Patent Application Laid-Open No. 326011.
  • FIG. 1 is a schematic diagram showing a decanter type centrifuge 1 according to an embodiment of the present disclosure.
  • the decanter type centrifuge device 1 is mainly composed of a tubular member whose one end is processed into a weight shape, and has a bowl 2 that can rotate around a horizontal axis and a bowl 2 that is coaxial in the bowl 2.
  • a screw conveyor 3 that conveys and / or squeezes solid matter in the bowl 2 is arranged in the bowl 2, a drive motor 4 that applies a rotational force to the bowl 2, and a differential speed is generated between the rotational speeds of the bowl 2 and the screw conveyor 3.
  • a differential speed generator 5 for supporting and covering the bowl 2 and the screw conveyor 3 can be included.
  • the solid-liquid separation by this decanter type centrifuge 1 is generally performed as follows. That is, first, when the liquid to be treated (slurry) to which the drug (coagulant) was added was charged into the bowl 2 rotating at a predetermined rotation speed via the liquid supply pipe 9, it was generated by the drive motor 4. Due to the centrifugal force, the solid matter in the liquid to be treated (which is floc-like due to the effect of the chemical agent) is settled on the inner wall surface of the bowl 2. The settled solid matter is formed into a weight shape of the bowl 2 by the screw blade 3a of the screw conveyor 3 which is brought around with respect to the bowl 2 at a rotation speed slightly smaller than the rotation speed of the bowl 2 by the action of the differential speed generator 5.
  • FIG. 2 is an explanatory diagram showing an example of a method for acquiring image data of the dehydrated solid matter M.
  • FIG. 3 is an image showing an example of image data captured by the method shown in FIG.
  • the image data of the dehydrated solid matter M can be acquired by using the image pickup apparatus 15 as shown in FIG.
  • the image pickup apparatus 15 may mainly include a tray 16, a camera 17, and a photographing box 18. It should be noted that the configuration of the image pickup device 15 should reproduce the same environment as the image pickup environment in the solid matter water content measuring device 30 described later.
  • the tray 16 is a box-shaped container having an open upper portion, and in the inside thereof, for example, the dehydrated solid material M passing through the solid material discharge conduit 7 of the decanter type centrifuge 1 described above is collected and stored.
  • the dehydrated solid M contained in the tray 16 has a substantially flat surface using a scraper 19 (see FIG. 7) or the like after being stored in the tray 16 so that the surface of the image pickup surface becomes uniform. It is preferable to be leveled with.
  • the camera 17 may be a two-dimensional image imaging device that captures the dehydrated solid M, which is housed in the tray 16 and whose surface is leveled, from a predetermined angle of view.
  • the angle of view of the camera 17 and the distance to the dehydrated solid M can be arbitrarily adjusted.
  • a camera capable of capturing a three-dimensional image can be adopted, but it is preferable to adopt a two-dimensional image imaging device from the viewpoint of cost and the like.
  • the photographing box 18 may be used to form an imaging space for making the imaging environment of the dehydrated solid matter M uniform. Inside the photographing box 18, a support base 18a on which the tray 16 containing the dehydrated solid matter M is placed and a light source 18b for irradiating the dehydrated solid matter M with light may be provided. By using this shooting box 18, the shooting environment can be made uniform.
  • FIG. 3 shows an example of image data of the dehydrated solid M taken by using the image pickup device 15 having the above-described configuration.
  • the two images shown in FIGS. 3A and 3B are images of the same dehydrated solid M, which differs only in its water content. It can be understood from FIGS. 3A and 3B that changes are observed in the color information and the luminance information of the image data captured by the water content of the dehydrated solid M.
  • the dehydrated solid matter M to be imaged may have a large difference in color information and luminance information depending not only on the content rate but also on the content component thereof. Therefore, it is preferable that the dehydrated solid M to be imaged is an image of various dehydrated solids M having different contained components in order to ensure the accuracy of inference in the trained model described later.
  • FIG. 4 is a schematic block diagram of the machine learning device according to the embodiment of the present disclosure.
  • the machine learning device 20 includes a learning data set acquisition unit 21, a learning data set storage unit 22, a learning unit 23, and a trained model storage unit 24.
  • Can include.
  • the learning data set acquisition unit 21 may be an interface unit that acquires a plurality of data constituting the learning (training) data set from a computer PC 1 connected via, for example, a wired or wireless communication line.
  • the computer PC 1 can be connected to the above-mentioned image pickup device 15 and can be configured to be capable of acquiring and viewing image data acquired by the image pickup device 15. Further, the computer PC1 is described in, for example, an estimated value of water content determined visually by a skilled operator EN by visually observing the dehydrated solid M from which image data has been acquired, or, for example, Japanese Patent No. 544209. It is preferable that the measured value of the dehydrated solid matter M water content from which the image data has been acquired, which is measured by such a water content measuring device, can be obtained.
  • the estimated value or measured value of the water content obtained in this way (hereinafter, these are collectively referred to simply as "water content”) is a training data set as a part of the training data set as well as the image data. It may be transmitted to the acquisition unit 21.
  • the learning data set acquisition unit 21 has been described as acquiring desired data from the computer PC 1, but the present invention is not limited to this, and for example, a learning data set is stored in advance. It may be the one that acquires desired data from a data server or the like via a network or the like.
  • the training data set storage unit 22 uses a plurality of data constituting the training data set acquired by the training data set acquisition unit 21 as related input data and output data (hereinafter, also referred to as “teacher data”). It can be associated with one learning data set and configured with a database for storage.
  • the learning data set stored here includes the image data captured by the image pickup device 15 as the input data, and includes the water content of the dehydrated solid M corresponding to the image data as the output data. good.
  • the specific configuration of the database constituting this learning data set storage unit can be adjusted as appropriate.
  • the training data set storage unit 22 and the trained model storage unit 24 described later are shown as separate storage means, but these are used as a single storage medium (database). ) Can also be configured.
  • the learning data set according to the present embodiment is composed of one image data and the water content corresponding to the one image data.
  • the water content is obtained by, for example, visually specifying by a skilled operator EN or measuring by a water content measuring device, and it takes a relatively long time to obtain the water content.
  • a (for example, 100) partial image data of a square smaller than the original image data is randomly extracted from the original image data of one rectangle and extracted.
  • the learning unit 23 may execute machine learning using a plurality of learning data sets stored in the learning data set storage unit 22 to generate a trained model.
  • supervised learning deep learning
  • a neural network is adopted as a specific method of machine learning.
  • the specific method of machine learning is not limited to this, and other learning methods may be adopted as long as the correlation between input and output can be learned from the training data set. It is possible. For example, ensemble learning (random forest, boosting, etc.) can also be used.
  • the trained model storage unit 24 may be a database for storing the trained model generated by the training unit 23.
  • the trained model stored in the trained model storage unit 24 may be applicable to an actual device via a communication line including the Internet or a storage medium, if required.
  • a specific application mode of the trained model to an actual device for example, a solid matter water content measuring device 30 will be described in detail later.
  • FIG. 5 is a diagram showing an example of a neural network model for supervised learning implemented in the machine learning device according to the embodiment of the present disclosure.
  • the neural network in the neural network model shown in FIG. 5 includes l neurons (x1 to xl) in the input layer, m neurons (y11 to y1m) in the first intermediate layer, and n neurons in the second intermediate layer. It is composed of neurons (y21 to y2n) and o neurons (z1 to zo) in the output layer.
  • the first intermediate layer and the second intermediate layer are also called hidden layers, and the neural network may have a plurality of hidden layers in addition to the first intermediate layer and the second intermediate layer. Or, only the first intermediate layer may be used as a hidden layer.
  • nodes connecting the neurons between the layers are stretched between the input layer and the first intermediate layer, between the first intermediate layer and the second intermediate layer, and between the second intermediate layer and the output layer.
  • Each node is associated with a weight wi (i is a natural number).
  • the neural network in the neural network model uses a learning data set, specifically, a plurality of sets of training data sets stored in the learning data set storage unit 22, and contains image data and water. Learn the correlation with rates.
  • the image data is divided into a plurality of data, each of the divided data is used as an input state variable, each state variable is associated with a neuron in the input layer, and the value of the neuron in the output layer is generally used.
  • the method of calculating the output value of a neural network that is, the value of the neuron on the output side (also called the objective variable) is the value of the neuron on the input side connected to the neuron, and the neuron on the output side and the neuron on the input side.
  • the format to which the information acquired as the input state variable is associated should be set appropriately in consideration of the accuracy of the generated trained model. Can be done. For example, when associating an image data composed of a two-dimensional image with an input layer as an input state variable, the image data is divided into pixel units, and then the color value (for example, RGB value) information of each divided pixel and / Alternatively, the brightness information can be associated with each input layer.
  • the teacher data t1 to to are compared with each other to obtain an error, and the weight wi associated with each node is adjusted (backpropagation) so that the obtained error becomes small.
  • the learning is terminated and the neural network model (each of the nodes) is terminated. All the weights wi) associated with are stored in the trained model storage unit 24 as trained models.
  • FIG. 6 is a flowchart showing an example of the machine learning method according to the embodiment of the present disclosure.
  • the machine learning method shown below will be described based on the machine learning device 20 described above, but the premise configuration is not limited to the machine learning device 20 described above.
  • this machine learning method is realized by using a computer, various computers can be applied, for example, on a computer or a network constituting the control unit of the decanter type centrifuge device 1.
  • the server device arranged in the above, the computer PC1 shown in FIG. 4, and the like can be mentioned.
  • an arithmetic unit composed of at least a CPU, a GPU, etc.
  • a storage device composed of a volatile or non-volatile memory represented by RAM or ROM, a network, or other devices. It is possible to adopt a device including a communication device for communicating with the device and a bus connecting each of these devices.
  • a desired number of learning data sets are prepared as a preliminary preparation for starting machine learning, and a plurality of prepared learning data sets are learned.
  • the data is stored in the data set storage unit 22 (step S11).
  • the number of training data sets prepared here may be set in consideration of the inference accuracy required for the finally obtained trained model. Further, since an example of the method of preparing the training data set has already been illustrated above, the description thereof will be omitted here.
  • a neural network model before learning is prepared in order to start learning in the learning unit 23 (step S12).
  • the pre-learning neural network model prepared here has the structure shown in FIG. 5 as its structure, and it can be assumed that the weight of each node is set to the initial value.
  • one learning data set is randomly selected from the plurality of learning data sets stored in the learning data set storage unit 22 (step S13), and the input data in the one learning data set is selected.
  • Is input to the input layer (see FIG. 5) of the prepared neural network model before learning step S14.
  • various methods can be adopted. For example, in order to adjust the number of input data input to the input layer, a predetermined preprocessing such as adjusting the number of pixels constituting one input data may be executed.
  • the water content of the output layer (see FIG. 4) generated as a result of step S14 is a value different from the desired result in most cases because it is generated by the neural network model before training. .. Therefore, next, machine learning is performed using the water content as the teacher data in one learning data set acquired in step S13 and the water content of the output layer generated in step S13 (step S15). ).
  • the machine learning performed here is, for example, learning to compare the parameters constituting the teacher data and the parameters constituting the output layer, detect an error between them, and obtain an output layer in which this error becomes small. It may be a process (backpropagation) for adjusting the weight associated with each node in the previous neural network model.
  • the data format of the water content output to the output layer of the neural network model before learning is preferably the same format as the teacher data in the training data set as the training target.
  • step S15 When machine learning is performed in step S15, whether or not it is necessary to continue machine learning is determined based on, for example, the remaining number of unlearned learning data sets stored in the learning data set storage unit 22. (Step S16). Then, when the machine learning is continued (No in step S16), the process returns to step S13, and when the machine learning is finished (Yes in step S16), the process proceeds to step S17.
  • the steps S13 to S15 are performed a plurality of times on the neural network model being trained by using the unlearned learning data set. Since the accuracy of the finally generated trained model generally increases in proportion to this number of times, in the present embodiment, all the training data sets in the training data set storage unit 22 are trained. ..
  • a training data set to be used for training may be selected from all the training data sets in the data set storage unit 22 by using an arbitrary selection method. ..
  • the learning data set stored in the data set storage unit 22 is set to, for example, the type of the dehydrated solid M to be imaged or the environment in which the dehydrated solid is collected. It is more preferable to group them in advance according to the situation.
  • the neural network generated by adjusting the weights associated with each node by a series of steps is stored in the trained model storage unit 24 as a trained model.
  • Step S17 a series of learning processes is completed.
  • the trained model stored here can be applied to and used in various devices for measuring the water content of solids, and the details of the devices will be described later.
  • one machine learning process is repeatedly executed for one (pre-learning) neural network model.
  • the present disclosure is not limited to such an acquisition method, although the present invention is described in an attempt to improve the accuracy and obtain a trained model sufficient for application to an actual device.
  • a plurality of trained models that have undergone machine learning a predetermined number of times are stored in the trained model storage unit 24 as one candidate, and a data set for validity judgment is input to the plurality of trained model groups.
  • the output layer value of the neuron
  • the accuracy of the control data specified in the output layer may be weighed to select one of the best trained models to be applied to the actual device. ..
  • the validity determination data set may be any data set as long as it is composed of the same data set as the learning data set used for learning and is not used for learning in a series of machine learning methods.
  • a pre-learned model generated in advance for arbitrary image recognition may be used instead of the pre-learning neural network model in which the node weight prepared in step S12 is set to the initial value.
  • a pre-learned model generated in advance for arbitrary image recognition may be used.
  • a desired trained model is generated by so-called fine tuning or transfer learning. Therefore, a highly accurate trained model can be generated with a smaller number of training data sets as compared with the above-mentioned normal machine learning process.
  • the water content of the imaged dehydrated solid M is derived from the two-dimensional captured image data of the dehydrated solid M. You can get a trained model that is possible.
  • FIG. 7 is a schematic diagram showing a solid matter water content measuring device 30 according to an embodiment of the present disclosure.
  • the solid matter water content measuring device 30 according to the present embodiment can mainly include a data acquisition unit 31, an inference unit 32, and a monitor 33.
  • the moisture content of the dehydrated solid matter M sampled by the sampling device 40 provided in the solid matter discharge conduit 7 of the decanter type centrifuge 1 described above is measured. Illustrates what is specified.
  • the sampling device 40 referred to here may be a device for extracting the dehydrated solid material M passing through the solid material discharge conduit 7 at an arbitrary timing.
  • a screw conveyor for solids extraction provided so as to protrude into the solids discharge conduit 7 can be adopted, but the dehydrated solids M is extracted to the outside of the solids discharge conduit 7.
  • Other configurations may be used as long as they are possible.
  • the data acquisition unit 31 may be for acquiring image data of the dehydrated solid matter M extracted from the solid matter discharge conduit 7 by the sampling device 40.
  • the data acquisition unit 31 can include the above-mentioned image pickup device 15A and a controller 34 that controls each configuration of the image pickup device 15A.
  • the image pickup device 15A included in the data acquisition unit 31 is configured to have substantially the same configuration as the image pickup device 15 used when acquiring the image data constituting the learning data set described above. What you are doing is something that you should pay particular attention to. As described above, assuming that the image pickup device 15 that has captured the image data for the learning data set and the image pickup device 15A of the solid matter water content measuring device 30 have substantially the same configuration, the image data imaging environment is matched.
  • the image pickup device 15A of the data acquisition unit 31 has substantially the same configuration as the image pickup device 15, the specific components are designated by the same reference numerals and the description thereof will be omitted. It shall be.
  • the image pickup device 15A in the data acquisition unit 31 can further include a scraper 19 for leveling the surface of the dehydrated solid matter M in the tray 16.
  • the scraper 19 can be operated in the horizontal direction (direction of arrow X in FIG. 7) to level the surface of the dehydrated solid material M in the tray 16 placed on the support base 18a.
  • the dehydrated solid M discharged to the outside of the tray 16 by the operation of the scraper 19 and the dehydrated solid M in the tray 16 after the image data is generated are connected to the solid discharge conduit 7 or the solid discharge conduit 7. It is preferable that the dehydrated solid M is returned to the main transport path 10 for transporting the dehydrated solid M to a drying device or a sludge incinerator.
  • controller 34 may be used to control each configuration of the image pickup apparatus 15A, particularly the operation control of the camera 17 and the scraper 19, the adjustment of the light source 18b, the control of the transport means (not shown) of the tray 16. Then, the image data generated by operating the camera 17 by the controller 34 can be sent to the inference unit 32 via a wired or wireless transmission means.
  • the inference unit 32 may be an arithmetic unit for inferring the water content of the dehydrated solid M contained in the image data from the image data acquired by the data acquisition unit 31.
  • the inference unit 32 can include, for example, the machine learning device 20 described above and a trained model storage unit 35 that stores one or more trained models generated by the machine learning method.
  • the inference unit 32 infers the water content from the image data as the input state variable acquired by the data acquisition unit 31 by referring to one or more learned models stored in the trained model storage unit 35. can do. Specifically, by associating the image data as the input state variable with the input layer of one trained model stored in the trained model storage unit 35, the dehydrated solid matter M is added to the output layer of the trained model.
  • a plurality of trained models stored in the trained model storage unit 35 are stored according to the intended use and various conditions (for example, environmental conditions such as season, weather and temperature / humidity, type of liquid to be treated, etc.). It is preferable to have it. Further, the work of selecting an appropriate trained model from a plurality of trained models may be automatically selected by using various sensors or the like, or may be manually selected by the operator EN. You may.
  • the monitor 33 may be a notification means for notifying the operator EN of the water content of the dehydrated solid M inferred by the inference unit 32.
  • the operator EN can determine whether or not it is necessary to adjust various control parameters of the decanter type centrifuge device 1 in consideration of the water content.
  • the monitor 33 is used as the means for notifying the operator EN of the water content, but other means such as a speaker can also be adopted.
  • the water content inferred by the inference unit 32 is not only displayed on the monitor 33, but also stored in a database (not shown) composed of a well-known recording medium together with the image data acquired by the data acquisition unit 31. Is preferable. By accumulating the past inference results in the database in this way, the operator EN can refer to the past water content information and can also carry out online learning using the data, which further improves convenience. do.
  • the solid matter water content measuring device 30 having the above-described configuration, after the image data of the liquid-containing solid matter carried into the data acquisition unit 31 is generated, the image data is input to the predetermined trained model in the inference unit 32. Only by doing so, it is possible to infer the water content of the liquid-containing solids. Therefore, the water content of the liquid-containing solid matter can be obtained in a short time. Therefore, the water content of the solid matter as a result of separation can be grasped in a timely manner during the operation of the separation device, and this water content can be used for the operation control of the separation device.
  • the above-mentioned solid matter water content measuring device 30 is applied to the decanter type centrifuge device 1, and the water content output by the solid matter water content measuring device 30 is used to control the operation of the decanter type centrifuge device 1. An example of using it will be explained.
  • FIG. 8 is a flowchart showing an example of the water content measurement process when the solid matter water content measuring device 30 according to the embodiment of the present disclosure is applied to the decanter type centrifuge device 1.
  • the solid matter water content measuring device 30 is instructed by the operator EN to measure the water content. It is determined whether or not there is reception (step S21).
  • the sampling device 40 is operated to sample and extract the dehydrated solid material M passing through the solid material discharge conduit 7 (Yes). Step S22).
  • the predetermined amount of the dehydrated solid matter M extracted here is accommodated in the tray 16 and conveyed to the image pickup apparatus 15A, and the surface thereof is leveled by the scraper 19 and placed on the support base 18a in the photographing box 18. ..
  • the camera 17 is operated by the controller 34 to generate two-dimensional captured image data in which the surface of the dehydrated solid M is imaged (step S23).
  • the generated two-dimensional captured image data is sent to the inference unit 32 and input to the input layer of one trained model specified in advance in the inference unit 32, so that the dehydrated solid M in the image data
  • the water content is inferred (step S24).
  • the water content inferred here is displayed on the monitor 33 and notified to the operator EN (step S25).
  • the operator EN determines whether the current operating state of the decanter type centrifuge 1 is performing the solid-liquid separation process properly, and whether the dehydrated solid M after being discharged from the decanter type centrifuge 1 is checked. , It is possible to judge or foresee the possibility of transportation failure or incineration failure in the sludge incinerator.
  • the control parameter of the decanter type centrifuge device 1 for example, the centrifugal force of the bowl 2 may be adjusted.
  • the amount of the combustion agent used in the sludge incinerator and the input amount of the dehydrated solid M may be adjusted.
  • the solid matter water content measuring device 30 As shown in the above example, if the solid matter water content measuring device 30 according to the present embodiment is applied to the separating device, the dehydrated solid matter separated in an extremely short time (specifically, about several seconds to 10 minutes).
  • the water content of M can be known, and the room that depends on the experience and skill of the operator EN in the operation control of the separating device can be reduced.
  • the solid matter discharge conduit 7 is obtained by unitizing the sampling apparatus 40 and the solid matter moisture content measuring apparatus 30. It can also be attached to.
  • the solid matter water content measuring device 30 is applied to the decanter type centrifuge device 1, a part of the solid matter water content measuring device 30 (for example, the inference unit 32 or the monitor 33) is attached to the decanter type centrifuge device 1. It can also be applied within the control unit.
  • the solid matter water content measuring device 30 is not limited to a sludge dehydrator or a centrifuge such as a decanter type centrifuge 1, but also a separation device used in, for example, a medical field or a chemical field. Can be applied.
  • the trained model stored in the trained model storage unit 35 has its processing contents (specifically, the type of the liquid to be treated and the type of liquid to be treated).
  • the learning process, etc. may be adjusted as appropriate according to the processing amount per unit time, etc.) and the surrounding environment (specifically, the climate, etc.).
  • the solid matter water content measuring device 30 In the solid matter water content measuring device 30 according to the above-described embodiment, a predetermined amount of the dehydrated solid matter M is extracted by using the sampling device 40 provided in the solid matter discharge conduit 7, and the extracted dehydrated solid matter M is used.
  • the device for measuring the water content has been exemplified, the solid material water content measuring device of the present disclosure is not limited to this. Specifically, the step of extracting the dehydrated solid matter M by the sampling device 40 may be omitted. Therefore, the solid water content measuring device 30A according to another embodiment, which can measure the water content of the dehydrated solid M as a measurement target without extracting it from the transport path, will be described below.
  • the same reference numerals will be given to the configurations common to the solid matter water content measuring device 30 described above, and the description thereof will be omitted.
  • FIG. 9 is a schematic diagram showing a solid matter water content measuring device 30A according to another embodiment of the present disclosure.
  • the solid matter water content measuring device 30A according to the present embodiment has a configuration of the data acquisition unit 31A that is significantly different from that of the solid matter water content measuring device 30 described above.
  • the data acquisition unit 31A may be equipped with a camera 17A at an appropriate position on the main transport path 10 among the solid substance discharge conduit 7 and the main transport path 10 constituting the transport path for the dehydrated solid substance M. can. It is preferable that the camera 17A is fixed toward the belt conveyor 11 in the main transport path 10 so that the dehydrated solid matter M conveyed by the belt conveyor 11 can be imaged.
  • the camera 17A is controlled by the controller 34A to generate image data of the dehydrated solid matter M transported in the main transport path 10. do.
  • the inference unit 32A by inputting the image data generated in the data acquisition unit 31A into a predetermined trained model, it is possible to infer the water content of the imaged dehydrated solid M. Therefore, the water content of the liquid-containing solid M can be obtained in a shorter time. Therefore, the water content of the solid matter as a result of separation can be grasped in a timely manner during the operation of the separation device, and by notifying the operator EN of this water content via the monitor 33, the operation control of the separation device can be performed.
  • the trained model stored in the trained model storage unit 35 of the inference unit 32A and used for inference was trained using the training data set acquired in the same environment as the data acquisition unit 31A. It is preferable that it is a thing in the sense that the inference accuracy is improved.
  • the camera 17A attached to the main transport path 10 has been described, but it is also possible to attach the camera 17A to the solid matter discharge conduit 7 and directly take an image of the dehydrated solid matter M passing through the solid matter discharge conduit 7. It is possible.
  • the solids water content measuring device 30 and 30A of the present disclosure various methods can be adopted as the imaging method of the dehydrated solid matter M.
  • the solids water content measuring device according to the above-described embodiment is described as being applied to one decanter type centrifugal separator 1
  • the solids water content measuring device of the present disclosure is a separation device. Since it functions independently of, for example, it is possible to measure the water content of the dehydrated solid material M extracted from various separation devices with one solid material water content measuring device. Further, since the solid matter moisture content measuring device of the present disclosure does not need to be the solid matter separated by the separating device, for example, the water content of various solid matter put into an incinerator is measured and measured. It is also possible to use the results to control the incinerator.
  • the present disclosure can be provided not only by the mode of the solid matter water content measuring devices 30 and 30A described above, but also by the mode of an inference device for performing inference.
  • the inference device may include a memory and at least one processor, and the processor may execute a series of processes based on a program or the like stored in the memory.
  • the series of processes includes a process of acquiring image data obtained by capturing an image of the dehydrated solid M arranged in a predetermined region from a predetermined angle of view, and a process of inferring the water content of the dehydrated solid M from the image data. ..

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Analytical Chemistry (AREA)
  • Organic Chemistry (AREA)
  • Water Supply & Treatment (AREA)
  • Environmental & Geological Engineering (AREA)
  • Hydrology & Water Resources (AREA)
  • Mathematical Physics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Treatment Of Sludge (AREA)
  • Image Analysis (AREA)
  • Centrifugal Separators (AREA)

Abstract

本開示の機械学習装置は、所定領域に配置された液体含有固形物を所定画角から撮像した画像データと、撮像された前記液体含有固形物の含水率と、を備える学習用データセットを複数組記憶するデータセット記憶ユニットと；前記学習用データセットを複数組入力することで、前記画像データから前記含水率を推論する学習モデルを学習する学習ユニットと；前記学習ユニットによって学習された後の前記学習モデルを記憶する学習済モデル記憶ユニットと；を含む。

Description

機械学習装置、固形物含水率測定装置、推論装置及び機械学習方法
　本開示は、機械学習装置、固形物含水率測定装置、推論装置及び機械学習方法に関するものである。
　上下水、産業排水、又はし尿等の被処理液を処理する水処理設備において、圧搾や遠心力を利用して固液分離を行う、汚泥脱水機又は遠心分離機（以下、これらをまとめて「分離装置」という）が従来から用いられている。このような分離装置として、例えばデカンタ式遠心分離装置や回転加圧脱水機が知られている（日本国特許第５４４２０９９号明細書及び日本国特許出願公開第２００７－３２６０１１号公報参照）。また、このような分離装置により分離された固形物を乾燥させて焼却又は廃棄処理する際、乾燥された固形物の乾燥度合いを監視等するために、固形物を撮像した撮像画像における輝度情報を用いて固形物の含水率を測定することが行われている（日本国特許出願公開第２０１４－２５７２０号公報参照）。
　ところで、日本国特許第５４４２０９９号明細書及び日本国特許出願公開第２００７－３２６０１１号公報に記載されたような分離装置において、分離結果を評価する一指標として、被処理液から分離された固形物の含水率が用いられることがある。この含水率の値が適正な値の範囲内である場合には、概ね良好な分離処理が実施できていると判断することができる。しかし、分離処理段階においてこの含水率に基づいて各種パラメータを特定し分離処理に反映することは、含水率の測定に要する時間や精度の観点で実現が困難であった。詳しくは、含水率の測定手法としては、例えば固形物サンプルを蒸発皿に入れて乾燥させ、前後の質量を比較する方法や、固形物サンプルに赤外線を照射して加熱乾燥させ、前後の質量を比較する赤外線分水計を用いた方法が知られている。しかし、これらの手法はその測定精度は比較的高いものの、測定途中に乾燥工程を要するため、測定に長時間（具体的には、少なくとも数時間程度）を要するものである。また、含水率の測定時間を短縮しオンライン連続測定が可能な手法として、マイクロ波を用いた含水率の測定方法も知られているが、測定装置自体が高価であり、また測定精度は上述した手法に劣る。このような事情から、実際の現場においては、作業員が固形物を目視にて確認し、固形物の含水率を類推して分離装置の各種パラメータの調整を行っているのが実情である。しかしこのような調整手法は作業員の経験や技量に依存するものであるため、調整に要する時間や精度にバラツキが発生しやすい。
　本開示は上述した課題に鑑み、分離装置によって分離された液体含有固形物の含水率を比較的短時間で且つ高精度に測定あるいは推定するための、機械学習装置、固形物含水率測定装置、推論装置及び機械学習方法を提供することを目的とする。
　上記目的を達成するために、本開示の第１の態様に係る機械学習装置２０は、例えば図４に示すように、所定領域に配置された液体含有固形物Ｍを所定画角から撮像した画像データと、撮像された前記液体含有固形物Ｍの含水率と、を備える学習用データセットを複数組記憶するデータセット記憶ユニット２２と；前記学習用データセットを複数組入力することで、前記画像データから前記含水率を推論する学習モデルを学習する学習ユニット２３と；前記学習ユニット２３によって学習された後の前記学習モデルを記憶する学習済モデル記憶ユニット２４と；を含むものである。
　このように構成すると、液体含有固形物の含水率をその液体含有固形物の画像データのみに基づいて推論可能な学習済モデルを提供することができるようになる。
　また、本開示の第２の態様に係る機械学習装置２０は、例えば図２に示すように、上記第１の態様に係る機械学習装置２０において、前記画像データは、前記液体含有固形物Ｍの表面が撮像できる画角から撮像することで取得されたものである。
　このように構成すると、液体含有固形物Ｍの表面を撮像するだけで、液体含有固形物の含水率の推論が可能となる。これにより、例えば液体含有固形物Ｍの内部の状態といった比較的撮像に設備や手間を要する画像データを準備する必要がなく、容易に取得が可能な画像データを用いて学習済モデルを生成することができる。
　また、本開示の第３の態様に係る固形物含水率測定装置３０は、例えば図７に示すように、所定領域に配置された液体含有固形物Ｍを所定画角から撮像した画像データを取得するデータ取得ユニット３１と；上述した態様に係る機械学習装置２０によって生成された学習済モデルに、前記画像データを入力することで、前記液体含有固形物Ｍの含水率を推論する推論ユニット３２と；を含むものである。
　このように構成すると、液体含有固形物の含水率の推論結果を短時間で取得することができる。また、含水率の推論に際して必要な情報は液体含有固形物の画像データのみであるため、推論結果を比較的簡単に得ることができる。
　また、本開示の第４の態様に係る固形物含水率測定装置３０は、例えば図２に示すように、上記第３の態様に係る固形物含水率測定装置３０において、前記液体含有固形物Ｍは、遠心分離機又は汚泥脱水機により抽出された固形物を含むものである。
　このように構成すると、遠心分離機又は汚泥脱水機で抽出された固形物の含水率を短時間で推論することが可能となり、得られた含水率をこれら遠心分離機又は汚泥脱水機の制御パラメータの調整等に利用することができるようになる。
　また、本開示の第５の態様に係る固形物含水率測定装置３０は、例えば図２及び図７に示すように、上記第３の態様に係る固形物含水率測定装置３０において、前記データ取得ユニット３１は、前記液体含有固形物Ｍを充填可能な所定の深さを備えるトレー１６と、前記トレー１６に充填された前記液体含有固形物Ｍの表面を平坦にするためのスクレーパ１９と、前記トレー１６内の前記液体含有固形物Ｍの表面を撮像するカメラ１７と、を含む。
　このように構成すると、比較的少ない構成要素で所望の画像データを得ることができるようになる。
　また、本開示の第６の態様に係る固形物含水率測定装置３０Ａは、例えば図８に示すように、上記第４の態様に係る固形物含水率測定装置３０Ａにおいて、前記データ取得ユニット３１Ａは、前記遠心分離機又は前記汚泥脱水機に接続されて前記液体含有固形物Ｍを搬送する搬送路７、１０に取り付けられて前記搬送路７、１０内を搬送される前記液体含有固形物Ｍの表面を撮像するカメラ１７Ａを含む。
　このように構成すると、比較的少ない構成要素で所望の画像データを得ることができるようになる。
　また、本開示の第７の態様に係る推論装置は、メモリと、少なくとも１つのプロセッサとを備え、前記少なくとも１つのプロセッサは：所定領域に配置された液体含有固形物を所定画角から撮像した画像データを取得する処理と；前記画像データを入力すると、前記液体含有固形物の含水率を推論する処理と；を実行するように構成される。
　このように構成すると、推論装置の形態で種々の装置、例えば遠心分離機や汚泥脱水機といった分離装置に適用すれば、含水率の推論機能を比較的簡単に具現化することができる。
　また、本開示の第８の態様に係る機械学習方法は、例えば図６に示すように、コンピュータを用いた機械学習方法であって、所定領域に配置された液体含有固形物Ｍを所定画角から撮像した画像データと、撮像された前記液体含有固形物Ｍの含水率と、を備える学習用データセットを複数組記憶するステップＳ１１と；前記学習用データセットを複数組入力することで、前記画像データから前記含水率を推論する学習モデルを学習するステップＳ１３～Ｓ１６と；学習された後の前記学習モデルを記憶するステップＳ１７と；を含むものである。
　このように構成すると、液体含有固形物の含水率をその液体含有固形物の画像データのみに基づいて推論可能な学習済モデルを提供することができるようになる。
　本開示によれば、分離装置によって分離された液体含有固形物の含水率を比較的短時間（具体的には数分程度）で且つ高精度に測定あるいは推定することが可能な、機械学習装置、固形物含水率測定装置、推論装置及び機械学習方法を提供することができるようになる。
本開示の一実施の形態に関連するデカンタ式遠心分離装置の一例を示す模式図である。 脱水固形物の画像データを取得する手法の一例を示す説明図である。 図２に示す手法によって撮像された画像データの一例を示す画像である。 図２に示す手法によって撮像された画像データの一例を示す画像である。 本開示の一実施の形態に係る機械学習装置の一例を示す概略ブロック図である。 本開示の一実施の形態に係る機械学習装置において実施される教師あり学習のためのニューラルネットワークモデルの例を示す図である。 本開示の一実施の形態に係る機械学習方法の例を示すフローチャートである。 本開示の一実施の形態に係る固形物含水率測定装置の一例を示す模式図である。 本開示の一実施の形態に係る固形物含水率測定装置をデカンタ式遠心分離装置に適用した場合における含水率測定プロセスの例を示すフローチャートである。 本開示の他の実施の形態に係る固形物含水率測定装置の一例を示す模式図である。
　この出願は、日本国で２０２０年６月２６日に出願された特願２０２０－１１０８９２号に基づいており、その内容は本出願の内容としてその一部を形成する。
　また、本発明は以下の詳細な説明によりさらに完全に理解できるであろう。本願のさらなる応用範囲は、以下の詳細な説明により明らかとなろう。しかしながら、詳細な説明及び特定の実例は、本発明の望ましい実施の形態であり、説明の目的のためにのみ記載されているものである。この詳細な説明から、種々の変更、改変が、本発明の精神と範囲内で、当業者にとって明らかであるからである。
　出願人は、記載された実施の形態のいずれをも公衆に献上する意図はなく、開示された改変、代替案のうち、特許請求の範囲内に文言上含まれないかもしれないものも、均等論下での発明の一部とする。
　以下、図面を参照して本開示を実施するための一実施の形態について説明する。なお、以下では本開示の目的を達成するための説明に必要な範囲を模式的に示し、本開示の該当部分の説明に必要な範囲を主に説明することとし、説明を省略する箇所については公知技術によるものとする。
＜遠心分離装置＞
　本開示に係る機械学習装置等を説明する前に、本開示の一実施の形態に係る固形物含水率測定装置の測定結果が適用される装置の例としての汚泥脱水機又は遠心分離機を簡単に説明する。ここでは、具体的には横型のデカンタを含むデカンタ式遠心分離装置１を例示する。本実施の形態においては、このデカンタ式遠心分離装置１から排出された液体含有固形物に対して、本開示の機械学習装置、固形物含水率測定装置、推論装置及び機械学習方法を適用することで、この液体含有固形物の含水率を測定あるいは推定する。なお、本開示に係る分離装置の具体的な態様はここに示すものに限定されるものではなく、例えば縦型や直胴型のデカンタを含む遠心分離機や、日本国特許出願公開第２００７－３２６０１１号公報に示されているようなスクリュープレス式又はベルトプレス式の圧搾機、あるいは反応式の分離装置等にも適用可能である。
　図１は、本開示の一実施の形態に関連するデカンタ式遠心分離装置１を示す模式図である。デカンタ式遠心分離装置１は、図１に示すように、主に一端部が錘状に加工された筒状の部材で構成され水平軸周りに回転可能なボウル２と、ボウル２内に同軸状に配置されボウル２内の固形物を搬送及び／又は圧搾するスクリューコンベア３と、ボウル２に回転力を付与する駆動モータ４と、ボウル２とスクリューコンベア３の回転速度間に差速を発生させるための差速発生装置５と、ボウル２及びスクリューコンベア３を支持すると共にこれらを覆うケーシング６とを含むことができる。
　このデカンタ式遠心分離装置１による固液分離は、概ね以下のように行われる。すなわち、先ず、所定の回転数で回転するボウル２内に給液管９を介して薬剤（凝集剤）が添加された被処理液（スラリー）が投入されると、駆動モータ４により発生された遠心力によって被処理液内の（薬剤の効果によりフロック状となっている）固形物がボウル２の内壁面に沈降する。沈降した固形物は、差速発生装置５の作用によりボウル２の回転数よりも僅かに小さな回転数でボウル２に対して連れ周りするスクリューコンベア３のスクリュー羽根３ａによって、ボウル２の錘状に加工された一端側に向かって圧搾されつつ搬送され、液体含有固形物（脱水固形物）Ｍとして固形物シュート６ａから固形物排出導管７へ排出される。また、上記のように固形物が沈降除去された後の被処理液は、分離液としてボウル２内に一定期間滞留した後、分離液シュート６ｂから分離液排出導管８へ排出される。
　ところで、本実施の形態に係る機械学習装置においては、後述する学習済モデルを学習するために、学習用データセットを構成する脱水固形物Ｍの画像データを取得する必要がある。そこで、以下にはデカンタ式遠心分離装置１から排出される脱水固形物Ｍの画像データを取得する手法の一例を説明する。
　図２は、脱水固形物Ｍの画像データを取得する手法の一例を示す説明図である。また、図３は、図２に示す手法によって撮像された画像データの一例を示す画像である。脱水固形物Ｍの画像データは、図２に示すような撮像装置１５を用いて取得することができる。この撮像装置１５は、主にトレー１６と、カメラ１７と、撮影ボックス１８とで構成されていてよい。なお、この撮像装置１５の構成は、後述する固形物含水率測定装置３０における撮像環境と同様の環境を再現したものとするのがよいことに留意すべきである。
　トレー１６は、上部が開口した箱状の容器であって、その内部には、例えば上述したデカンタ式遠心分離装置１の固形物排出導管７内を通過する脱水固形物Ｍが採取されて収容される。このトレー１６に収容される脱水固形物Ｍは、撮像面である表面の状態が一様となるよう、トレー１６内に収容された後にスクレーパ１９（図７参照）等を用いて表面が略平坦に均されると好ましい。
　カメラ１７は、トレー１６内に収容されその表面が均された脱水固形物Ｍを所定画角から撮像する、２次元画像撮像装置であってよい。このカメラ１７の画角や脱水固形物Ｍに対する距離等については、任意に調整することが可能である。また、このカメラ１７としては３次元画像を撮像可能なものを採用することもできるが、コストの観点等から２次元画像撮像装置を採用することが好ましい。
　撮影ボックス１８は、脱水固形物Ｍの撮像環境を一様とするための撮影空間を構成するためのものであってよい。この撮影ボックス１８の内部には、脱水固形物Ｍを収容したトレー１６が載置される支持台１８ａと、脱水固形物Ｍに対して光を照射する光源１８ｂとが設けられていてよい。この撮影ボックス１８を用いることで、撮影環境を一様とすることができる。
　上述した構成を備える撮像装置１５を用いて撮像された脱水固形物Ｍの画像データの一例を図３に示す。図３Ａ及び図３Ｂに示す２つの画像は、その含水率のみが異なる同一の脱水固形物Ｍを撮像したものである。脱水固形物Ｍの含水率によって撮像された画像データの色情報や輝度情報に変化が認められることが、図３Ａ及び図３Ｂから理解できるであろう。なお、撮像対象である脱水固形物Ｍは、含有率だけでなく、その含有成分によっても色情報や輝度情報に大きな違いが生じ得る。そのため、撮像される脱水固形物Ｍは、後述する学習済モデルにおける推論の精度を確保するために、含有成分の異なる種々の脱水固形物Ｍを撮像対象とすることが好ましい。
＜機械学習装置＞
　次に、上述した撮像装置１５で撮像された脱水固形物Ｍの画像データを用いた本実施の形態に係る機械学習装置２０について、以下に説明を行う。
　図４は、本開示の一実施の形態に係る機械学習装置の概略ブロック図である。本実施の形態に係る機械学習装置２０は、図４に示すように、学習用データセット取得ユニット２１と、学習用データセット記憶ユニット２２と、学習ユニット２３と、学習済モデル記憶ユニット２４とを含むことができる。
　学習用データセット取得ユニット２１は、例えば有線又は無線の通信回線を介して接続されたコンピュータＰＣ１から学習（トレーニング）用データセットを構成する複数のデータを取得するインタフェースユニットであってよい。このコンピュータＰＣ１は、上述した撮像装置１５に接続され、撮像装置１５において取得された画像データを取得及び閲覧可能なもので構成することができる。また、このコンピュータＰＣ１は、例えば熟練のオペレータＥＮが、画像データが取得された脱水固形物Ｍを目視して判断した含水率の推定値、あるいは例えば日本国特許第５４４２０９９号明細書に記載されているような含水率測定装置によって測定された、画像データが取得された脱水固形物Ｍ含水率の測定値を取得可能なものであることが好ましい。このように取得された含水率の推定値あるいは測定値（以下、これらをまとめて単に「含水率」という。）は、学習用データセットの一部として、画像データと同様に、学習用データセット取得ユニット２１に送信されるとよい。なお、本実施の形態に係る学習用データセット取得ユニット２１は、コンピュータＰＣ１から所望のデータを取得するものとして説明したが、これに限定されるものではなく、例えば予め学習用データセットが格納されたデータサーバ等からネットワーク等を介して所望のデータを取得するものであってもよい。
　学習用データセット記憶ユニット２２は、学習用データセット取得ユニット２１で取得した学習用データセットを構成する複数のデータを、関連する入力データと出力データ（以下、「教師データ」ともいう）とを関連付けて１つの学習用データセットとし、格納するためのデータベースで構成することができる。ここで格納される学習用データセットは、入力データとして、撮像装置１５で撮像された画像データを含み、出力データとして、当該画像データに対応する脱水固形物Ｍの含水率を含むものであってよい。この学習用データセット記憶ユニットを構成するデータベースの具体的な構成については適宜調整することができる。例えば、図４においては、説明の都合上、この学習用データセット記憶ユニット２２と後述する学習済モデル記憶ユニット２４とを別々の記憶手段として示しているが、これらは単一の記憶媒体（データベース）によって構成することもできる。
　ところで、本実施の形態に係る学習用データセットは、上述したように、１つの画像データと、この１つの画像データに対応する含水率とで構成されている。しかし、上述した通り、含水率は、例えば熟練のオペレータＥＮが目視により特定する、あるいは含水率測定装置によって測定することで得られるものであり、その取得に比較的時間を要する。他方、学習ユニットにおいて１つの学習済モデルを生成するためには、多くの学習用データセット（例えば数千～数万セット）を用いて学習を行うのが通常である。そこで、多量の学習用データセットを比較的短時間で準備するために、この学習用データセット記憶ユニット２２において、データオーギュメンテーション（ｄａｔａ　ａｕｇｍｅｎｔａｔｉｏｎ）を行うことが好ましい。このデータオーギュメンテーションの具体的な方法としては、例えば、１つの矩形の原画像データから、当該原画像データよりも小さな正方形の部分画像データをランダムにａ個（例えば１００個）抽出し、抽出されたａ個の部分画像データそれぞれと原画像データに対応する含水率とを関連付けることで、ａ個の学習用データセットを取得する方法を採用することができる。
　学習ユニット２３は、学習用データセット記憶ユニット２２に記憶された複数の学習用データセットを用いて機械学習を実行し、学習済モデルを生成するものであってよい。本実施の形態においては、後に詳しく説示するように、機械学習の具体的な手法としてニューラルネットワークを用いた教師あり学習（深層学習）を採用している。ただし、機械学習の具体的な手法については、これに限定されるものではなく、入出力の相関関係を学習用データセットから学習することができるものであれば他の学習手法を採用することも可能である。例えば、アンサンブル学習（ランダムフォレスト、ブースティング等）を用いることもできる。
　学習済モデル記憶ユニット２４は、学習ユニット２３で生成された学習済モデルを記憶するためのデータベースであってよい。この学習済モデル記憶ユニット２４に記憶された学習済モデルは、要求に応じて、インターネットを含む通信回線や記憶媒体を介して実際の装置へ適用可能であってよい。実際の装置（例えば固形物含水率測定装置３０）に対する学習済モデルの具体的な適用態様については、一例を後に詳述する。
　次に、上述の構成によって得られた複数の学習用データセットを用いた、学習ユニット２３における学習手法について、その一例を簡単に説明する。図５は、本開示の一実施の形態に係る機械学習装置において実施される教師あり学習のためのニューラルネットワークモデルの例を示す図である。図５に示すニューラルネットワークモデルにおけるニューラルネットワークは、入力層にあるｌ個のニューロン（ｘ１～ｘｌ）、第１中間層にあるｍ個のニューロン（ｙ１１～ｙ１ｍ）、第２中間層にあるｎ個のニューロン（ｙ２１～ｙ２ｎ）、及び出力層にあるｏ個のニューロン（ｚ１～ｚｏ）から構成されている。第１中間層及び第２中間層は、隠れ層とも呼ばれており、ニューラルネットワークとしては、第１中間層及び第２中間層の他に、さらに複数の隠れ層を有するものであってもよく、あるいは第１中間層のみを隠れ層とするものであってもよい。
　また、入力層と第１中間層との間、第１中間層と第２中間層との間、第２中間層と出力層との間には、層間のニューロンを接続するノードが張られており、それぞれのノードには、重みｗｉ（ｉは自然数）が対応づけられている。
　本実施の形態に係るニューラルネットワークモデルにおけるニューラルネットワークは、学習用データセット、具体的には学習用データセット記憶ユニット２２内に記憶された複数組の学習用データセットを用いて、画像データと含水率との相関関係を学習する。具体的には、画像データを複数のデータに分割し、分割した複数のデータを入力の状態変数として、各状態変数と入力層のニューロンを対応付け、出力層にあるニューロンの値を、一般的なニューラルネットワークの出力値の算出方法、つまり、出力側のニューロンの値（目的変数ともいう）を、当該ニューロンに接続される入力側のニューロンの値と、出力側のニューロンと入力側のニューロンとを接続するノードに対応づけられた重みｗｉとの乗算値の数列の和として算出することを、入力層にあるニューロン以外の全てのニューロンに対して行う方法を用いることで、算出する。なお、入力の状態変数を入力層のニューロンに対応付けるに際し、入力の状態変数として取得した情報をどのような形式で対応付けるかは、生成される学習済モデルの精度等を考慮して適宜設定することができる。例えば、２次元画像で構成される画像データを入力の状態変数として入力層に対応付けるに際し、画像データをピクセル単位で分割した上で、分割された各ピクセルの色値（例えばＲＧＢ値）情報及び／又は輝度情報を入力層にそれぞれ対応付けることができる。
　そして、算出された出力層にあるｏ個のニューロンｚ１～ｚｏの値、すなわち本実施の形態においては含有率に対応する値と、学習用データセットの出力データを構成する、同じく含水率からなる教師データｔ１～ｔｏとを、それぞれ比較して誤差を求め、求められた誤差が小さくなるように、各ノードに対応づけられた重みｗｉを調整する（バックプロパゲーション）ことを反復する。
　上述した一連の工程を所定回数反復実施した、あるいは前記誤差が許容値より小さくなること等の所定の条件が満たされた場合には、学習を終了して、そのニューラルネットワークモデル（のノードのそれぞれに対応づけられた全ての重みｗｉ）を学習済モデルとして学習済モデル記憶ユニット２４に記憶する。
＜機械学習方法＞
　上記に関連して、本開示は機械学習方法を提供する。図６は、本開示の一実施の形態に係る機械学習方法の例を示すフローチャートである。以下に示す機械学習方法においては、上述した機械学習装置２０に基づいて説明を行うが、前提となる構成については、上記機械学習装置２０に限定されない。また、この機械学習方法はコンピュータを用いることで実現されるものであるが、このコンピュータとしては種々のものが適用可能であり、例えばデカンタ式遠心分離装置１のコントロールユニットを構成するコンピュータ、ネットワーク上に配されたサーバ装置、あるいは図４に示すコンピュータＰＣ１等を挙げることができる。また、このコンピュータの具体的構成については、例えば、少なくともＣＰＵやＧＰＵ等からなる演算装置と、ＲＡＭやＲＯＭに代表される揮発性又は不揮発性メモリ等で構成される記憶装置と、ネットワークや他の機器に通信するための通信装置と、これら各装置を接続するバスとを含むものを採用することができる。
　本実施の形態に係る機械学習方法としての教師あり学習は、機械学習を開始するための事前準備として、所望の数の学習用データセットを準備し、準備した複数個の学習用データセットを学習用データセット記憶ユニット２２に記憶する（ステップＳ１１）。ここで準備する学習用データセットの数については、最終的に得られる学習済みモデルに求められる推論精度を考慮して設定するとよい。また、学習用データセットを準備する方法については、その一例を既に上で例示しているため、ここでは説明を省略する。
　ステップＳ１１が完了すると、次いで学習ユニット２３における学習を開始すべく、学習前のニューラルネットワークモデルを準備する（ステップＳ１２）。ここで準備される学習前のニューラルネットワークモデルは、その構造として上記図５で示した構造を有し、各ノードの重みが初期値に設定されているものとすることができる。そして、学習用データセット記憶ユニット２２に記憶された複数個の学習用データセットから、例えばランダムに一の学習用データセットを選択し（ステップＳ１３）、当該一の学習用データセット中の入力データを、準備された学習前のニューラルネットワークモデルの入力層（図５参照）に入力する（ステップＳ１４）。なお、学習用データセット中の入力データを学習前のニューラルネットワークモデルの入力層に入力する手法としては、種々のものを採用することができる。例えば、入力層に入力される入力データの数を調整するために、１つの入力データを構成するピクセル数を調整するといった、所定の前処理を実行してもよい。
　ここで、上記ステップＳ１４の結果として生成された出力層（図４参照）の含水率は、学習前のニューラルネットワークモデルによって生成されたものであるため、ほとんどの場合望ましい結果とは異なる値である。そこで、次に、ステップＳ１３において取得された一の学習用データセット中の教師データとしての含水率とステップＳ１３において生成された出力層の含水率とを用いて、機械学習を実施する（ステップＳ１５）。ここで行う機械学習とは、例えば、教師データを構成するパラメータと出力層を構成するパラメータとを比較し、両者の誤差を検出し、この誤差が小さくなるような出力層が得られるよう、学習前のニューラルネットワークモデル内の各ノードに対応付けられた重みを調整する処理（バックプロパゲーション）であってよい。また、学習前のニューラルネットワークモデルの出力層に出力される含水率のデータ形式は、学習対象としての学習用データセット中の教師データと同様の形式であるとよい。
　ステップＳ１５において機械学習が実施されると、さらに機械学習を継続する必要があるか否かを、例えば学習用データセット記憶ユニット２２内に記憶された未学習の学習用データセットの残数に基づいて特定する（ステップＳ１６）。そして、機械学習を継続する場合（ステップＳ１６でＮｏ）にはステップＳ１３に戻り、機械学習を終了する場合（ステップＳ１６でＹｅｓ）には、ステップＳ１７に移る。上記機械学習を継続する場合には、学習中のニューラルネットワークモデルに対してステップＳ１３～Ｓ１５の工程を未学習の学習用データセットを用いて複数回実施する。最終的に生成される学習済モデルの精度は、一般にこの回数に比例して高くなるため、本実施の形態においては学習用データセット記憶ユニット２２内の全学習用データセットを学習することとする。これは、学習用データセットの数が少ないと、それらの学習用データセットの値の偏り等に起因して過学習が生じるという問題を回避するためである。他方、学習用データセット記憶ユニット２２内に記憶された全学習用データセットを学習する必要は必ずしもない。これは、学習済モデルが利用される固形物含水率測定装置３０は、多くの場合その測定対象が制限されているため、測定対象となる固形物の含水率の推定に有用な学習用データセットのみを学習すれば、十分な推論精度を得ることができることが多いためである。そこで、得られる学習済モデルの利用環境等を考慮し、任意の選定手法を用いて学習に用いる学習用データセットをデータセット記憶ユニット２２内の全学習用データセットの中から選定してもよい。このような選定を行うことで、利用環境の異なる複数種類の学習済モデルを効率よく生成することができるようになる。また、このような選定を行う場合を考慮して、データセット記憶ユニット２２に記憶される学習用データセットを、例えば撮像対象である脱水固形物Ｍの種類や脱水固形物が採取された環境に応じて事前にグループ分けしておくとより好ましい。
　機械学習を終了する場合（ステップＳ１６でＹｅｓ）には、各ノードに対応付けられた重みが一連の工程によって調整され生成されたニューラルネットワークを学習済モデルとして、学習済モデル記憶ユニット２４に記憶し（ステップＳ１７）、一連の学習プロセスを終了する。ここで記憶された学習済モデルは、固形物の含水率を測定する種々の装置に適用され使用され得るものであるが、当該装置の詳細については後述する。
　上述した機械学習装置の学習プロセス及び機械学習方法においては、１つの学習済モデルを生成するために、１つの（学習前の）ニューラルネットワークモデルに対して複数回の機械学習処理を繰り返し実行することでその精度を向上させ、実際の装置への適用に足る学習済モデルを得ようとするものを説示しているが、本開示はこのような取得方法に限定されない。例えば、所定回数の機械学習を実施した学習済モデルを一候補として複数個学習済モデル記憶ユニット２４に格納しておき、この複数個の学習済モデル群に妥当性判断用のデータセットを入力して出力層（のニューロンの値）を生成し、出力層で特定された制御データの精度を比較検討して、実際の装置に適用する最良の学習済モデルを１つ選定するようにしてもよい。なお、妥当性判断用データセットは、学習に用いた学習用データセットと同様のデータセットで構成され、且つ一連の機械学習方法において学習に用いられていないものであればよい。
　オプションとして、上記ステップＳ１２において準備されるノードの重みが初期値に設定された学習前のニューラルネットワークモデルに代えて、例えば任意の画像認識のために予め生成された学習済モデルを利用することもできる。この場合には、いわゆるファインチューニング又は転移学習により所望の学習済モデルを生成することとなる。そのため、上述した通常の機械学習プロセスに比して少ない学習用データセットの数で高精度の学習済モデルを生成できる。
　以上説明した通り、本実施の形態に係る機械学習装置及び機械学習方法を適用することにより、脱水固形物Ｍの２次元撮像画像データから、撮像された脱水固形物Ｍの含水率を導出することが可能な学習済モデルを得ることができる。
＜固形物含水率測定装置＞
　次に、図７を参照して、上述した機械学習装置及び機械学習方法によって生成された学習済モデルの適用例について説示する。図７は、本開示の一実施の形態に係る固形物含水率測定装置３０を示す模式図である。本実施の形態に係る固形物含水率測定装置３０は、図７に示すように、主にデータ取得ユニット３１と、推論ユニット３２と、モニタ３３とを含むことができる。なお、本実施の形態に係る固形物含水率測定装置３０では、上述したデカンタ式遠心分離装置１の固形物排出導管７に設けられたサンプリング装置４０によりサンプリングされた脱水固形物Ｍの含水率を特定するものを例示している。また、ここでいうサンプリング装置４０は、固形物排出導管７内を通過する脱水固形物Ｍを任意のタイミングで抽出するための装置であってよい。具体的な構成は、例えば固形物排出導管７内に突出するように設けられた固形物抽出用のスクリューコンベア等を採用することができるが、脱水固形物Ｍを固形物排出導管７外に抽出可能な構成であれば他の構成であってもよい。
　データ取得ユニット３１は、サンプリング装置４０により固形物排出導管７内から抽出された脱水固形物Ｍの画像データを取得するためのものであってよい。具体的には、このデータ取得ユニット３１は、上述した撮像装置１５Ａと、この撮像装置１５Ａの各構成を制御するコントローラ３４とを含むことができる。ここで、データ取得ユニット３１に含まれる撮像装置１５Ａは、上述した学習用データセットを構成する画像データを取得する際に利用された撮像装置１５と実質的に同一の構成を有するように構成されていることは、特に留意すべき事項である。このように、学習用データセットのための画像データを撮像した撮像装置１５と、固形物含水率測定装置３０の撮像装置１５Ａとを実質的に同一の構成とすると、画像データの撮像環境を合わせることができるため、後述する含水率の推論精度を確保する意味で重要である。なお、上述した通り、データ取得ユニット３１の撮像装置１５Ａは撮像装置１５と実質的に同一の構成を備えているため、具体的な各部構成には同一の符号を付してその説明を省略するものとする。
　データ取得ユニット３１内の撮像装置１５Ａは、撮像装置１５と同様の構成に加えて、更にトレー１６内の脱水固形物Ｍの表面を均すためのスクレーパ１９を含むことができる。スクレーパ１９は、水平方向（図７中の矢印Ｘ方向）に動作させることで支持台１８ａに載置されるトレー１６内の脱水固形物Ｍの表面を均すことができる。スクレーパ１９の動作によりトレー１６外に排出された脱水固形物Ｍや、画像データが生成された後のトレー１６内の脱水固形物Ｍは、固形物排出導管７又はこの固形物排出導管７に連結されて脱水固形物Ｍを乾燥装置や汚泥焼却炉へ搬送するための主搬送路１０内に戻されるとよい。また、コントローラ３４は、撮像装置１５Ａの各構成、特にカメラ１７やスクレーパ１９の動作制御や光源１８ｂの調整、及びトレー１６の図示しない搬送手段の制御等を行うものであってよい。そしてカメラ１７をコントローラ３４により動作させて生成された画像データは、有線又は無線の伝送手段を介して推論ユニット３２に送られ得る。
　推論ユニット３２は、データ取得ユニット３１で取得された画像データから画像データに含まれる脱水固形物Ｍの含水率を推論するための演算装置であってよい。この推論ユニット３２は、例えば上述した機械学習装置２０及び機械学習方法により生成された１又は複数の学習済モデルを記憶する学習済モデル格納ユニット３５を含むことができる。推論ユニット３２は、学習済モデル格納ユニット３５内に格納された１乃至複数の学習済モデルを参照することで、データ取得ユニット３１で取得した入力の状態変数としての画像データから、含水率を推論することができる。詳しくは、入力の状態変数としての画像データを、学習済モデル格納ユニット３５内に格納された一の学習済モデルの入力層に対応付けることで、当該学習済モデルの出力層に脱水固形物Ｍの含水率の推定値を出力することができる。学習済モデル格納ユニット３５に記憶されている学習済モデルは、その用途や各種条件（例えば季節、天候及び温度・湿度といった環境条件、あるいは被処理液の種類等）に合わせて複数個記憶されていると好ましい。そしてまた、複数個の学習済モデルから適切な一の学習済モデルを選択する作業は、各種センサ等を用いて自動的に選択できるようにしてもよいし、オペレータＥＮによって手動で選択できるようにしてもよい。
　モニタ３３は、推論ユニット３２において推論された脱水固形物Ｍの含水率をオペレータＥＮに報知するための報知手段であってよい。モニタ３３上に含水率が表示されると、オペレータＥＮは、当該含水率を考慮した、デカンタ式遠心分離装置１の各種制御パラメータの調整の要否を判断することができる。本実施の形態においては、オペレータＥＮへの含水率の報知手段にモニタ３３を用いているが、スピーカ等の他の報知手段を採用することもできる。また、推論ユニット３２で推論された含水率は、モニタ３３に表示するだけでなく、データ取得ユニット３１で取得された画像データと合わせて、周知の記録媒体で構成された図示しないデータベースに格納されると好ましい。このようにデータベース内に過去の推論結果を蓄積しておけば、オペレータＥＮが過去の含水率情報を参照できることに加え、当該データを用いたオンライン学習を実施することもでき、利便性がより向上する。
　上述した構成を備える固形物含水率測定装置３０によれば、データ取得ユニット３１に搬入された液体含有固形物の画像データを生成した後、推論ユニット３２において画像データを所定の学習済モデルに入力するだけで、液体含有固形物の含水率の推論を実行することができる。したがって、液体含有固形物の含水率を短時間で得ることができる。そのため、分離装置の作動中に分離結果としての固形物の含水率をタイムリーに把握することができ、この含水率を分離装置の作動制御に利用することができる。そこで、以下には、上述した固形物含水率測定装置３０をデカンタ式遠心分離装置１に適用して、デカンタ式遠心分離装置１の作動制御に固形物含水率測定装置３０が出力する含水率を利用した例を説明する。
　図８は、本開示の一実施の形態に係る固形物含水率測定装置３０をデカンタ式遠心分離装置１に適用した場合における含水率測定プロセスの例を示すフローチャートである。固形物含水率測定装置３０が適用されたデカンタ式遠心分離装置１の駆動が開始されると、図８に示すように、固形物含水率測定装置３０は、オペレータＥＮからの含水率測定指示の受信の有無を判断する（ステップＳ２１）。ここで、オペレータＥＮからの含水率を測定する旨の指示を受信すると（ステップＳ２１でＹｅｓ）、サンプリング装置４０を動作させて固形物排出導管７内を通過する脱水固形物Ｍをサンプリング抽出する（ステップＳ２２）。ここで抽出された所定量の脱水固形物Ｍは、トレー１６に収容されて撮像装置１５Ａへ搬送されると共に、スクレーパ１９によりその表面が均され撮影ボックス１８内の支持台１８ａに載置される。次いで、コントローラ３４によりカメラ１７が動作されて脱水固形物Ｍの表面を撮像した２次元撮像画像データが生成される（ステップＳ２３）。
　次いで、生成された２次元撮像画像データが推論ユニット３２に送られ、推論ユニット３２において予め特定された一の学習済モデルの入力層に入力されることにより、画像データ内の脱水固形物Ｍの含水率を推論する（ステップＳ２４）。そして、ここで推論された含水率はモニタ３３に表示されることで、オペレータＥＮに報知される（ステップＳ２５）。これを確認したオペレータＥＮは、デカンタ式遠心分離装置１の現在の作動状態が適切に固液分離処理を行えているかどうかや、デカンタ式遠心分離装置１から排出された後の脱水固形物Ｍの、搬送不良や汚泥焼却炉における焼却不良の可能性を判断あるいは予見することができる。したがって、例えば分離処理が適切に行えていないと判断した場合には、デカンタ式遠心分離装置１の制御パラメータ、例えばボウル２の遠心力を調整するとよい。同様に、汚泥焼却炉における焼却不良が予見される場合には、汚泥焼却炉で使用する燃焼剤の量や脱水固形物Ｍの投入量を調整するとよい。固形物含水率測定装置３０は、推論結果としての含水率のオペレータＥＮへの報知が完了すると、ステップＳ２１に戻り、オペレータＥＮからの含水率測定指示の待機状態となる。
　以上の例に示すように、本実施の形態に係る固形物含水率測定装置３０を分離装置に適用すれば、極めて短時間（具体的には数秒～１０分程度）で分離された脱水固形物Ｍの含水率を知ることができ、分離装置の動作制御においてオペレータＥＮの経験や技量に依存する余地を小さくすることができる。
　なお、上述の固形物含水率測定装置３０は、サンプリング装置４０とは別構成の部材として説示しているが、サンプリング装置４０と固形物含水率測定装置３０とをユニット化して固形物排出導管７に取り付けることもできる。また、固形物含水率測定装置３０をデカンタ式遠心分離装置１に適用する場合には、固形物含水率測定装置３０の一部（例えば推論ユニット３２やモニタ３３）をデカンタ式遠心分離装置１のコントロールユニット内に適用することも可能である。また、本実施の形態に係る固形物含水率測定装置３０は、デカンタ式遠心分離装置１のような汚泥脱水機又は遠心分離機に限らず、例えば医療分野や化学分野において用いられる分離装置にも適用することができる。このように、固形物含水率測定装置３０は、適用可能な対象が多岐にわたるため、学習済モデル格納ユニット３５に記憶される学習済モデルは、その処理内容（詳しくは、被処理液の種類や単位時間当たりの処理量等）や周辺環境（詳しくは気候等）に合わせて、その学習プロセス等は適宜調整するとよい。
＜他の実施の形態＞
　上述した一実施の形態に係る固形物含水率測定装置３０では、固形物排出導管７に設けられたサンプリング装置４０を用いて所定量の脱水固形物Ｍを抽出し、抽出した脱水固形物Ｍの含水率を測定するものを例示したが、本開示の固形物含水率測定装置はこれに限定されない。具体的には、サンプリング装置４０による脱水固形物Ｍの抽出工程を省略してもよい。そこで以下には、測定対象としての脱水固形物Ｍを搬送路から抽出することなくその含水率を測定可能な、他の実施の形態に係る固形物含水率測定装置３０Ａについて説明を行う。なお、ここで説明する固形物含水率測定装置３０Ａにおいて上述した固形物含水率測定装置３０と共通する構成については、同様の符号を付しその説明を省略するものとする。
　図９は、本開示の他の実施の形態に係る固形物含水率測定装置３０Ａを示す模式図である。本実施の形態に係る固形物含水率測定装置３０Ａは、図９に示すように、データ取得ユニット３１Ａの構成が上述した固形物含水率測定装置３０のものと大きく異なっている。詳しくは、データ取得ユニット３１Ａは、脱水固形物Ｍの搬送路を構成する固形物排出導管７及び主搬送路１０のうち、主搬送路１０の適所にカメラ１７Ａを備えているものとすることができる。このカメラ１７Ａは、主搬送路１０内のベルトコンベア１１に向けて固定されることで、ベルトコンベア１１で搬送される脱水固形物Ｍが撮像可能となっているとよい。
　上述の構成を備える固形物含水率測定装置３０Ａにおいては、先ずはデータ取得ユニット３１Ａにおいて、コントローラ３４Ａによりカメラ１７Ａを制御し、主搬送路１０内を搬送される脱水固形物Ｍの画像データを生成する。そして推論ユニット３２Ａにおいて、データ取得ユニット３１Ａにおいて生成された画像データを所定の学習済モデルに入力することで、撮像された脱水固形物Ｍの含水率の推論を実行することができる。したがって、液体含有固形物Ｍの含水率をより短時間で得ることができる。そのため、分離装置の作動中に分離結果としての固形物の含水率をタイムリーに把握することができ、この含水率をモニタ３３を介してオペレータＥＮに報知することで、分離装置の作動制御に利用することができる。なお、推論ユニット３２Ａの学習済モデル格納ユニット３５内に格納されて推論に利用される学習済モデルは、データ取得ユニット３１Ａと同様の環境において取得された学習用データセットを用いて学習を行ったものであることが推論精度を高める意味において好ましい。また、本実施の形態ではカメラ１７Ａを主搬送路１０に取り付けたものについて説明したが、固形物排出導管７に取り付け、固形物排出導管７内を通過する脱水固形物Ｍを直接撮像することも可能である。
　以上の通り、本開示の固形物含水率測定装置３０、３０Ａにおいては、脱水固形物Ｍの撮像手法として種々のものを採用することができる。なお、上述した実施の形態に係る固形物含水率測定装置は、いずれも一のデカンタ式遠心分離装置１に適用したものを説示しているが、本開示の固形物含水率測定装置は分離装置とは独立して機能するものであるから、例えば種々の分離装置から抽出された脱水固形物Ｍの含水率を一の固形物含水率測定装置で測定することも可能である。また、本開示の固形物含水率測定装置はその測定対象が分離装置により分離された固形物である必要もないため、例えば焼却炉に投入される種々の固形物の含水率を測定し、測定結果を焼却炉の制御に用いるといったことも可能である。
＜推論装置＞
　本開示は、上述した固形物含水率測定装置３０、３０Ａの態様によるもののみならず、推論を行うための推論装置の態様で提供することもできる。その場合、推論装置としては、メモリと、少なくとも１つのプロセッサとを含み、このうちのプロセッサが、メモリに格納されたプログラム等に基づいて、一連の処理を実行するものとすることができる。当該一連の処理とは、所定領域に配置された脱水固形物Ｍを所定画角から撮像した画像データを取得する処理と、この画像データから脱水固形物Ｍの含水率を推論する処理とを含む。本開示を上述した推論装置の態様で提供することで、簡単に上述した含水率の測定を実現することができる。
　本開示は上述した実施の形態に限定されるものではなく、本開示の主旨を逸脱しない範囲内で種々変更して実施することが可能である。そして、それらはすべて、本開示の技術思想に含まれるものである。
　本明細書中で引用する刊行物、特許出願及び特許を含むすべての文献を、各文献を個々に具体的に示し、参照して組み込むのと、また、その内容のすべてをここで述べるのと同じ限度で、ここで参照して組み込む。
　本発明の説明に関連して（特に以下の請求項に関連して）用いられる名詞及び同様な指示語の使用は、本明細書中で特に指摘したり、明らかに文脈と矛盾したりしない限り、単数及び複数の両方に及ぶものと解釈される。語句「備える」、「有する」、「含む」及び「包含する」は、特に断りのない限り、オープンエンドターム（すなわち「～を含むが限らない」という意味）として解釈される。本明細書中の数値範囲の具陳は、本明細書中で特に指摘しない限り、単にその範囲内に該当する各値を個々に言及するための略記法としての役割を果たすことだけを意図しており、各値は、本明細書中で個々に列挙されたかのように、明細書に組み込まれる。本明細書中で説明されるすべての方法は、本明細書中で特に指摘したり、明らかに文脈と矛盾したりしない限り、あらゆる適切な順番で行うことができる。本明細書中で使用するあらゆる例又は例示的な言い回し（例えば「など」）は、特に主張しない限り、単に本発明をよりよく説明することだけを意図し、本発明の範囲に対する制限を設けるものではない。明細書中のいかなる言い回しも、請求項に記載されていない要素を、本発明の実施に不可欠であるものとして示すものとは解釈されないものとする。
　本明細書中では、本発明を実施するため本発明者が知っている最良の形態を含め、本発明の好ましい実施の形態について説明している。当業者にとっては、上記説明を読めば、これらの好ましい実施の形態の変形が明らかとなろう。本発明者は、熟練者が適宜このような変形を適用することを期待しており、本明細書中で具体的に説明される以外の方法で本発明が実施されることを予定している。したがって本発明は、準拠法で許されているように、本明細書に添付された請求項に記載の内容の修正及び均等物をすべて含む。さらに、本明細書中で特に指摘したり、明らかに文脈と矛盾したりしない限り、すべての変形における上記要素のいずれの組合せも本発明に包含される。
 

Claims (8)

  1. 　所定領域に配置された液体含有固形物を所定画角から撮像した画像データと、撮像された前記液体含有固形物の含水率と、を備える学習用データセットを複数組記憶するデータセット記憶ユニットと；
    　前記学習用データセットを複数組入力することで、前記画像データから前記含水率を推論する学習モデルを学習する学習ユニットと；
    　前記学習ユニットによって学習された後の前記学習モデルを記憶する学習済モデル記憶ユニットと；を備える、
    　機械学習装置。
  2. 　前記画像データは、前記液体含有固形物の表面が撮像できる画角から撮像することで取得されたものである、
    　請求項１に記載の機械学習装置。
  3. 　所定領域に配置された液体含有固形物を所定画角から撮像した画像データを取得するデータ取得ユニットと；
    　請求項１又は請求項２に記載の機械学習装置によって生成された学習済モデルに、前記画像データを入力することで、前記液体含有固形物の含水率を推論する推論ユニットと；を備える、
    　固形物含水率測定装置。
  4. 　前記液体含有固形物は、遠心分離機又は汚泥脱水機により抽出された固形物を含む、
    　請求項３に記載の固形物含水率測定装置。
  5. 　前記データ取得ユニットは、前記液体含有固形物を充填可能な所定の深さを備えるトレーと、前記トレーに充填された前記液体含有固形物の表面を平坦にするためのスクレーパと、前記トレー内の前記液体含有固形物の表面を撮像するカメラと、を備える、
    　請求項３に記載の固形物含水率測定装置。
  6. 　前記データ取得ユニットは、前記遠心分離機又は前記汚泥脱水機に接続されて前記液体含有固形物を搬送する搬送路に取り付けられて前記搬送路内を搬送される前記液体含有固形物の表面を撮像するカメラを備える、
    　請求項４に記載の固形物含水率測定装置。
  7. 　メモリと、少なくとも１つのプロセッサとを備え、
    　前記少なくとも１つのプロセッサは：
    　所定領域に配置された液体含有固形物を所定画角から撮像した画像データを取得する処理と；
    　前記画像データを入力すると、前記液体含有固形物の含水率を推論する処理と；を実行するように構成される、
    　推論装置。
  8. 　コンピュータを用いた機械学習方法であって、
    　所定領域に配置された液体含有固形物を所定画角から撮像した画像データと、撮像された前記液体含有固形物の含水率と、を備える学習用データセットを複数組記憶するステップと；
    　前記学習用データセットを複数組入力することで、前記画像データから前記含水率を推論する学習モデルを学習するステップと；
    　学習された後の前記学習モデルを記憶するステップと；を備える、
    　機械学習方法。
     
PCT/JP2021/020486 2020-06-26 2021-05-28 機械学習装置、固形物含水率測定装置、推論装置及び機械学習方法 WO2021261173A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020110892A JP2022007767A (ja) 2020-06-26 2020-06-26 機械学習装置、固形物含水率測定装置、推論装置及び機械学習方法
JP2020-110892 2020-06-26

Publications (1)

Publication Number Publication Date
WO2021261173A1 true WO2021261173A1 (ja) 2021-12-30

Family

ID=79282502

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/020486 WO2021261173A1 (ja) 2020-06-26 2021-05-28 機械学習装置、固形物含水率測定装置、推論装置及び機械学習方法

Country Status (2)

Country Link
JP (1) JP2022007767A (ja)
WO (1) WO2021261173A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116952931A (zh) * 2023-05-31 2023-10-27 浙江大学 一种基于图像法的污泥颗粒含水率测量系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08219988A (ja) * 1995-02-20 1996-08-30 Kubota Corp 含水率測定装置
JP2000005799A (ja) * 1998-06-23 2000-01-11 Takashige Sangyo Kk 汚泥乾燥処理装置
US20050115873A1 (en) * 2003-12-02 2005-06-02 De Villers Pierre Method and apparatus for non-contact and rapid determination of liquid content
JP2014025719A (ja) * 2012-07-24 2014-02-06 Nippon Steel & Sumikin Engineering Co Ltd 含水率測定装置
JP2019184548A (ja) * 2018-04-17 2019-10-24 株式会社竹中工務店 試験装置、試験方法、及び試験プログラム
JP2020173150A (ja) * 2019-04-10 2020-10-22 株式会社神戸製鋼所 土質判定装置、土質判定用学習モデル生成装置および土質判定方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08219988A (ja) * 1995-02-20 1996-08-30 Kubota Corp 含水率測定装置
JP2000005799A (ja) * 1998-06-23 2000-01-11 Takashige Sangyo Kk 汚泥乾燥処理装置
US20050115873A1 (en) * 2003-12-02 2005-06-02 De Villers Pierre Method and apparatus for non-contact and rapid determination of liquid content
JP2014025719A (ja) * 2012-07-24 2014-02-06 Nippon Steel & Sumikin Engineering Co Ltd 含水率測定装置
JP2019184548A (ja) * 2018-04-17 2019-10-24 株式会社竹中工務店 試験装置、試験方法、及び試験プログラム
JP2020173150A (ja) * 2019-04-10 2020-10-22 株式会社神戸製鋼所 土質判定装置、土質判定用学習モデル生成装置および土質判定方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116952931A (zh) * 2023-05-31 2023-10-27 浙江大学 一种基于图像法的污泥颗粒含水率测量系统及方法

Also Published As

Publication number Publication date
JP2022007767A (ja) 2022-01-13

Similar Documents

Publication Publication Date Title
WO2021261173A1 (ja) 機械学習装置、固形物含水率測定装置、推論装置及び機械学習方法
US20060191319A1 (en) Electronic nose for chemical sensing
JP6994330B2 (ja) 脱水システム
JP7029981B2 (ja) 汚水越流検知装置、汚水越流検知方法、プログラム、及び汚水処理装置
WO2022018974A1 (ja) 機械学習装置、データ処理システム及び機械学習方法
JP7357878B2 (ja) 機械学習装置、データ処理システム、推論装置及び機械学習方法
JP7083269B2 (ja) 凝集を伴う水処理プラントの制御方法および制御装置
JP2024051134A (ja) 脱水システム
EP3409384A2 (en) System for detecting, removing, transferring, and retrieving incompletely dried raw material
JP2021035669A (ja) 性能評価システム、水処理設備、プログラム、及び学習済みモデル
JP2022121356A (ja) 汚泥処理設備運転支援ナビゲーションシステム、汚泥処理設備運転支援方法
US20200309714A1 (en) Portable scanning device for ascertaining attributes of sample materials
CN116102100B (zh) 一种基于物联网设备的水质修复反馈控制方法及系统
CN110688977B (zh) 一种工业图像识别方法、装置、服务器及存储介质
WO2022018976A1 (ja) 機械学習装置、データ処理システム及び機械学習方法
CA3157870A1 (en) Method of determining a concentration of an analyte in a bodily fluid
CN106768483A (zh) 一种粮堆内温、湿、水分一体化测量装置及其控制方法
CN115937189A (zh) 一种产品检测方法、装置及系统
JP2020109377A (ja) 計量用機械学習装置、計量用機械学習システム及び計量システム
JP2022021244A (ja) 機械学習装置、データ処理システム及び機械学習方法
CN112534447B (zh) 训练用于控制工程系统的机器学习例程的方法和设备
CN114821133B (zh) 一种基于人工智能的环保设备故障检测方法及系统
Muri et al. Classification of municipal solid waste using deep convolutional neural network model applied to multispectral images
FR2619559A1 (fr) Procede pour la regulation des installations d'epuration des eaux residuaires
Yang et al. Image based quality assurance of fabricated nitrate sensor

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21829005

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21829005

Country of ref document: EP

Kind code of ref document: A1