WO2023048017A1 - 水質監視システム - Google Patents
水質監視システム Download PDFInfo
- Publication number
- WO2023048017A1 WO2023048017A1 PCT/JP2022/034204 JP2022034204W WO2023048017A1 WO 2023048017 A1 WO2023048017 A1 WO 2023048017A1 JP 2022034204 W JP2022034204 W JP 2022034204W WO 2023048017 A1 WO2023048017 A1 WO 2023048017A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- water quality
- monitoring
- water
- learning
- abnormality
- Prior art date
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 228
- 238000012544 monitoring process Methods 0.000 title claims abstract description 161
- 230000005856 abnormality Effects 0.000 claims abstract description 50
- 238000001514 detection method Methods 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 14
- 238000013480 data collection Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012806 monitoring device Methods 0.000 description 22
- 230000002159 abnormal effect Effects 0.000 description 18
- 239000012535 impurity Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 238000000034 method Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 9
- 238000004062 sedimentation Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 239000010802 sludge Substances 0.000 description 7
- 239000007787 solid Substances 0.000 description 6
- 238000007667 floating Methods 0.000 description 5
- 239000007788 liquid Substances 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 244000005700 microbiome Species 0.000 description 3
- 238000004065 wastewater treatment Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000195493 Cryptophyta Species 0.000 description 1
- 238000005273 aeration Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000025508 response to water Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000006228 supernatant Substances 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/10—Biological treatment of water, waste water, or sewage
Abstract
【課題】監視カメラからの撮影画像を用いて非接触での水質監視を実現するとともに、監視対象の状態変化の影響を抑制して精度良く水質異常を検知する。 【解決手段】実施形態の水質監視システムは、物体検知モデルを用い、監視カメラから出力される水質監視対象の撮影画像から水面領域を認識し、認識された水面領域の状態に基づく水質異常を判定する水質異常検知部と、監視結果を出力する監視結果出力部と、を有する。これにより、非接触での水質監視を実現するとともに、監視対象の状態変化の影響(水位変動や監視カメラの画角変動、カメラの向きの変動など)があっても精度良く水質異常を検知することができる。
Description
本発明の実施形態は、水質監視技術に関する。
水処理施設では、濁度計などの水質計を用い、処理水の異常検知(濁り検知)を行っている。水質計は、センサ部分を監視対象の水中に設置して濁度を測定するタイプや、監視対象の水面(測定液面)に光を当て、水面(液面)からの散乱光を把握することで濁度を測定するタイプがある。
監視カメラからの撮影画像を用いて非接触での水質監視を実現するとともに、監視対象の状態変化の影響を抑制して精度良く水質異常を検知することができる水質監視システムを提供する。
実施形態の水質監視システムは、物体検知モデルを用い、監視カメラから出力される水質監視対象の撮影画像から水面領域を認識し、認識された前記水面領域の状態に基づく水質異常を判定する水質異常検知部と、監視結果を出力する監視結果出力部と、を有する。
以下、実施形態につき、図面を参照して説明する。
(第1実施形態)
図1から図7は、第1実施形態の水質監視システムを説明するための図である。
図1から図7は、第1実施形態の水質監視システムを説明するための図である。
本実施形態の水質監視システムが適用される水質監視対象の一例として水処理施設の排水処理工程がある。排水処理は、様々なタイプがあるが、例えば、活性汚泥法による排水処理を例に説明すると、微生物の入った汚泥である活性汚泥が入った反応槽(曝気槽)に原水を導き、空気を送り込んでかき混ぜる。これにより、原水中の汚れを微生物が分解し、細かい汚れは微生物に付着して沈みやすいかたまりになる。そして、反応槽でできた汚泥(活性汚泥)を沈殿槽で沈殿させ、処理水(上澄み)と汚泥とに分離する。その後、分離された処理水をろ過処理し、さらに活性炭塔で残っている汚れを活性炭に吸着させ、最終中和処理(pHを中性域にする)を経て、下水道や河川に放流する。
沈殿槽には、水質計が設けられており、SS濃度を測定して水質を監視している。なお、SS濃度とは、水中に浮遊・分散する粒の大きさが1μm(0.001mm)~2mmの物質を懸濁物質(SS;suspendedsolids)、または浮遊物質であり、懸濁物質は水1リットルあたりに含まれる質量(mg/L)で表される。
しかしながら、水質計を用いた水質監視では、下記のような課題があった。センサ部分を監視対象である沈殿槽の水中に設置して測定する水質計の場合、センサ部分に汚れ(浮遊する汚泥や藻など)が付着するため清掃が必要であり、また、測定値の信頼性を確保するための校正作業も必要となる。
また、沈殿槽の水面(測定液面)に光を当て、水面(液面)からの散乱光を把握することで測定する水質計の場合、測定液表面に光を反射させるため、水の色や気泡の影響を受け、測定精度を確保することが難しい側面がある。特に、測定精度の観点において、水面が安定している必要があり、水面を安定させるために測定槽を別途設けるなどの対策を講じているが、排水中に存在する有機物やスケール成分が測定槽壁面に付着し光学式の計測を阻害するため、当該測定槽のメンテナンスが必要となってしまう。
このように水質計を用いた水質監視は、メンテナンスが非常に大変であると共に、メンテナンス不足によって生じる間違った測定値に対応するための監視作業負担(例えば、作業員が監視カメラの映像を見て監視するなど)が増すなどの課題があった。
そこで、本実施形態の水質監視システムは、沈殿槽を撮影する監視カメラ1からの撮影画像を用いて非接触での水質監視を実現すると共に、沈殿槽の状態変化の影響を抑制して精度良く水質異常を検知することができるようにする。
図1は、本実施形態の水質監視システムを構成する各装置の機能ブロック図である。図1に示すように、本実施形態の水質監視システムは、監視装置100及び学習装置200を含んで構成されており、監視装置100は、水質監視モデルを用いて、監視カメラ1が撮影した水質監視対象の水質異常を検知する。学習装置200は、学習データ(教師データ)を収集、生成し、監視装置100で使用される学習済みモデル(水質監視モデル)の機械学習、深層学習(ディープラーニング)など学習処理を行う。
監視装置100及び学習装置200は、監視対象を撮影する監視カメラ1と無線又は有線で接続されており、監視カメラ1から出力される監視画像(監視映像)が各装置100,200に入力可能に構成されている。また、監視対象である沈殿槽には、従来同様に水質計2が設けられており、水質計2の測定値が、監視装置100及び学習装置200に入力可能に構成されている。
監視カメラ1は、例えば、遠隔操作が可能な撮影装置であり、作業員によるマニュアル操作で画角(ズーム)を変更したり、監視カメラ1の向きを変更したりすることができる。作業員は、日々、必要に応じて監視カメラ1を遠隔操作し、カメラの向きを変えたり、ズーム機能で画角を調整したりしながら、映像を確認して監視業務を行うことができる。なお、画角やカメラの向きを固定した撮影装置であっても本実施形態の水質監視システムに適用可能である。
<監視装置100>
監視装置100は、図1に示すように、監視制御部110、監視結果出力部、及び記憶部130を含んで構成されており、監視制御部110は、水質異常検知部111を有している。
監視装置100は、図1に示すように、監視制御部110、監視結果出力部、及び記憶部130を含んで構成されており、監視制御部110は、水質異常検知部111を有している。
水質異常検知部111は、物体検知モデルを用い、監視カメラから出力される水質監視対象の撮影画像から水面領域を認識するとともに、認識された水面領域の状態に基づく水質異常を判定する水質監視モデルとして機能する。
物体検知モデルは、例えば、畳み込みニューラルネットワーク(Convolutional Neural Network:CNN)などの公知の物体検知(object detection)AIモデルを適用することができ、R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNNなどがある。
本実施形態の物体検知モデルは、沈殿槽の水面領域を含む画像を用いて学習処理が施された学習済みモデルであり、画像内に物体があるか(物体検出)、物体であるならばその物体は水面か(物体認識)を行い、認識された水面の座標などの領域情報を出力する。例えば、監視画像を入力すると、畳み込み層で特徴量を抽出し、プーリング層で特徴量を縦横可変サイズで取り扱えるようにし、画像内の「水面領域」を把握する。また、物体検知モデルは、水面領域を把握する際に抽出した特徴量を出力し、後述する監視対象の濁り検知に利用する。
図2は、本実施形態の物体検知モデルの説明図である。図2に示すように、画像内の水面領域は、沈殿槽の水面位置が低くなるほど小さくなる。また、水面位置が低くなると、槽壁による影の影響で水面の明るさが暗くなる。暗くなると槽壁と水面との境界が判別しづらくなる。一方、水面位置が高くなると、画像内の水面領域が大きくなり、槽壁による影の影響を受け難く、水面が比較的明るい。
本実施形態では、このように水面位置及び明るさに応じた水面領域の学習処理を行い、物体検知モデルを構築する。このため、水位変動があっても精度良く水面領域(監視対象)を把握することができる。別の側面から説明すると、例えば、遠隔操作によって監視カメラ1の画角が変更されたり、カメラの向きが変更されたりすると、水位変動と同様の画像内の水面領域の物理的な見え方の違いが生じるが、本実施形態の物体検知モデルによって的確に画像内の「水面領域」を把握することができる。
次に、水質異常検知部112は、物体検知モデルから出力される水面領域の特徴量に基づいて濁り検知を行い、物体検知モデルで認識された水面領域の状態に基づく水質異常を判定する。
図3は、本実施形態の濁り検知の説明図である。図3の例では、3つの水質異常状態の監視画像1~3を例示している。監視画像1は、多くの不純物が水面領域全体に浮かんでおり、不純物が浮かんでいない領域の透明度が低い。監視画像2は、不純物は水面に浮かんでいないものの、透明度が低い。監視画像3は、水面領域の一部に不純物が浮かんでおり、残りの部分には不純物が浮かんでいない。水質が正常な状態である監視画像0に対し、監視画像1~3には、不純物や透明度の違いで、水面領域に異なるものが映り込んでいたり、透明度に対応する水面の濃淡が異なったりする。
そして、本実施形態では、各監視画像に対し、SS濃度、つまり、濁り度合い関する特徴量に応じた信頼スコアを算出し、信頼スコア(水質異常であることの確度を示すスコア)に基づいて認識された水面領域の水質異常の判定を行う。
例えば、監視画像1は、多くの不純物が水面領域全体に浮かんでおり、不純物が浮かんでいない領域の透明度が低いので、不純物の特徴量と透明度が低い特徴量とを抽出することができるので、信頼スコアが高く算出される(例えば、信頼スコア0.96)。一方、監視画像2は、透明度が低い特徴量を抽出することができ、不純物の特徴量が抽出されないので、監視画像1の次に高い信頼スコアが算出される(例えば、信頼スコア0.78)。監視画像3は、水面領域の一部に浮かぶ不純物の特徴量が抽出され、残りの部分には不純物が浮かんでおらず、透明度も高い。このため、信頼スコアは、監視画像1,2に比べて低く算出される(信頼スコア0.52)。
なお、上記説明において、信頼スコアが0から1の間の値で算定される態様を一例に説明したが、異常であることの確度を示す値であればよく、0から1の間の値で算定することに限らず、任意である。
水質異常検知部112は、物体検知モデルから抽出された特徴量に基づいて、不純物の特徴量と透明度が低い特徴量とを識別し、不純物の特徴量及び/又は透明度が低い特徴量に応じた信頼スコアを算出するよう、学習処理を行い、算出された信頼スコアが規定値を超える場合、つまり、濁り度合いが規定値を超える場合、水質異常であると判定する。なお、規定値は、教師データに基づく学習処理によって導出される閾値であったり、作業員等によって予め設定された閾値であってもよい。
このように本実施形態の水質異常検知部112は、物体検知モデルを含む水質監視モデルであり、物体検知モデルによって監視画像内の水面領域(濁った水面)を把握するとともに、水面領域を把握する際に物体検知モデルが抽出した水面領域の特徴量を用いて信頼スコアを算出し、算出された信頼スコアを用いて水質異常の判定を行う。
本実施形態によれば、物体検知モデルを用いて監視画像の中から監視対象の水面領域を把握するので、監視カメラからの撮影画像を用いて非接触での水質監視を実現するとともに、監視対象の状態変化の影響(水位変動や監視カメラの画角変動、カメラの向きの変動など)があっても精度良く水質異常を検知することができる。
図4は、本実施形態の水質監視システムの処理フローを示す図である。監視カメラ1は、監視画像を出力し、監視装置100は、出力された監視画像を受け付ける(S101)。監視装置100(監視制御部110)は、水質監視処理を遂行する。なお、監視画像が入力される間隔及び水質監視処理を遂行するタイミングは任意である。
監視装置100は、受け付けた監視画像に対して物体検知モデルを用いた物体検知処理を行い、監視画像内の水面領域を検知する(S102)。さらに、監視装置100は、検知された水面領域に対する水質異常検知(濁り検知)処理を行い、信頼スコアに基づく水質異常の判定を行う(S103)。
監視装置100(監視結果出力部120)は、ステップS103において、異常ありと判別された場合(S104のYES)、信頼スコアを含む「異常あり」の監視結果を出力する(S105)。一方、ステップS103において、異常なしと判別された場合(S104のNO)、信頼スコアを含む「異常なし」の監視結果を出力する(S106)。
例えば、図3の例では、監視画像上に、「異常あり」を示す「NG」と、信頼スコアである「0.96」とが、監視結果として出力されている。また、監視結果が「異常なし」の場合は、例えば、「異常なし」を示す「OK」と、信頼スコアとを監視結果として出力するように構成することができる。
監視装置100(監視結果出力部120)は、監視結果出力処理として、ネットワークを通じて監視結果を、予め設定された宛先に電子メールで通知したり、所定の機器にプッシュ通知したり、監視画像が表示されるディスプレイ装置に信頼スコアを含む監視結果を重畳表示したり、監視画像上への表示ではなく、時系列データとしてディスプレイ装置に表示したりすることができる。監視装置100(監視結果出力部120)は、監視結果を記憶部130に記憶させる(S107)。
上記説明において、信頼スコアを含む監視結果を出力する態様について説明したが、信頼スコアを含まない態様で監視結果を出力するように構成してもよいが、作業員は、信頼スコアを見ることで、異常状態の度合いを把握することができ、水質異常に対する対応の的確化及び迅速化を図ることができる。
特に、信頼スコアを含む監視結果を出力することで、単なる水質の正常/異常の通知に留まらず、「水質の変化」を時系列に捉えることができ、今後、水質異常が生じる可能性があることを示唆する「水質異常の予告」としての情報が提供されることになる。このため、水質異常となる前に対応することが可能となる。また、監視画像を見て今後の水質異常を予測することは熟練したスキルや経験が必要であるが、信頼スコアによって水質の状態を定量的に把握することができ、作業員の監視業務を適切にサポートすることができる。
なお、信頼スコアを含む監視結果の態様として、数値で表された信頼スコアを提供しているが、これに限らない。例えば、信頼スコアを所定の数値範囲区切りで予めランク分けし、信頼スコアの別の表現として、その水質異常のランクを含む監視結果を出力するように構成してもよい。また、水質異常と判定された場合とそれ以外とで監視結果の少なくとも一部の色を変化させて、水質異常と把握し易いようにエフェクト処理を行うように構成したり、水質異常と判定された場合にその異常度合いが高い場合と低い場合とで異なるエフェクトとなるように監視結果を出力したりしてもよい。
図5は、本実施形態の水質監視システムの処理フローを示す図であり、水質計2の測定値(センサ値)を考慮した処理フローを示す図である。図4と同様の処理については同符号を付して説明を省略する。
図5の例は、監視画像に加え、監視画像の撮影タイミングに対応する水質計2の測定値が監視装置200に入力される(S101a)。そして、監視装置200(監視制御部110)は、水質計2の測定値に水質異常があるか否か、言い換えれば、水質計2の測定値が水質異常に関する所定の閾値を超えるか否かを判定する(S104a)。
そして、ステップS104bでは、水質計2による水質異常の判定結果に関わらず、図4のステップS104と同様に、物体検知処理によって抽出された水面領域に対する水質異常の判定処理を行う。そして、監視装置200は、ステップS104bの水質異常の判定結果を監視結果として出力する。
このように構成することで、上述したようなメンテナンス不足による水質計2の測定値異常が発生しても、水質監視モデルによって的確な水質監視を行うことができるとともに、水質計2のメンテナンスタイミングの契機として把握することができる。つまり、本実施形態の水質監視モデル及び水質計2の測定値の双方が正常と判定されれば、水質計2も正常に稼働しており、水質監視モデルが正常で水質計2の測定値が異常であれば(又は水質監視モデルが異常で水質計2の測定値が正常であれば)、水質計のメンテナンス(故障を含む)を行う必要があり、水質監視モデル及び水質計2の測定値の双方が異常と判定されれば、監視対象の水質に異常が発生しているとより的確に把握することができる。
なお、上記説明において、信頼スコアが水質異常を示す指標としているが、これに限らず、水質の正常を示す指標として信頼スコアを算出し、水質異常の判定を行うように構成してもよい。具体的には、水質異常検知部112は、物体検知モデルから抽出された特徴量に基づいて、不純物の特徴量と透明度が高い特徴量とを識別し、不純物の特徴量及び/又は透明度が高い特徴量に応じた信頼スコアを算出するよう、学習処理を行い、算出された信頼スコアが規定値未満である場合、つまり、透明度合いが規定値よりも低い(濁り度合いが規定値よりも高い)場合、水質が異常であると判定することができる。
したがって、水質異常検知部111は、物体検知モデルによって抽出された水面領域の濁り状態の特徴量に基づく信頼スコアとして、水質が正常であることを示す指標を算出し、信頼スコアに基づいて認識された水面領域の水質異常の判定を行うことができる。
また、水質異常検知部112は、水質異常を示す指標の第1信頼スコアと、水質正常を示す指標の第2信頼スコアとをそれぞれ算出し、これら双方の信頼スコアを用いた水質異常判定を行うように構成することもできる。例えば、第1信頼スコアが第1規定値を超え、かつ第2信頼スコアが第2規定値よりも低い場合に、水面領域の水質が異常であると判定することができる。この場合、水質異常検知部112は、水質異常の観点から「異常」を基準とした学習処理を経て生成された第1学習済みモデルと、「正常」を基準とした学習処理を経て生成された第2学習済みモデルとを含むように構成することができ、これらの第1学習済みモデル及び第2学習済みモデルを並列に又は直列に繋いだ水質監視モデルを構築することができる。
<学習装置200>
学習装置200は、図1に示すように、学習データ収集部210,学習データ選定部220,学習用教師データ生成部230、学習処理部240,記憶部250を含んで構成されている。
学習装置200は、図1に示すように、学習データ収集部210,学習データ選定部220,学習用教師データ生成部230、学習処理部240,記憶部250を含んで構成されている。
図6は、学習装置200による学習データの収集及び教師データ生成の説明図である。図7は、学習装置200の教師データ生成に係る処理フローを示す図である。
図6に示すように、学習データ収集部210は、水質監視対象に設けられる水質計2の測定値(センサ値)と、当該測定値に対応する監視画像とをセットにした学習データを記憶部250に格納する。このとき、監視カメラ1及び水質計2が学習装置200とネットワークを通じて接続される態様であれば、当該ネットワークを通じたデータ伝送により、学習データ収集部210は、学習データを受け付けることができる。なお、監視カメラ1及び水質計2が必ずしもネットワークで接続されている必要はなく、学習装置200は、これらから出力された監視画像及び測定値を学習データとして受け付け可能な構成であればよい。
学習データ選定部220は、水質計2の測定値に対応する所定の基準値を用いて、収集された監視画像を2以上のグループに自動仕分けする仕分け処理を行う。具体的には、予め、水質計2に基づく水質監視対象の異常を示す基準値、又は水質計に基づく水質監視対象の正常を示す基準値を所定の基準値として設定し、記憶装置250(各種データ252)に記憶しておく。そして、学習データ選定部220は、学習データに含まれる測定値と設定された基準値とを比較して、基準値を超える監視画像群のグループと、基準値未満の監視画像群のグループとに、一時的な自動仕分け(仮仕分け)を行う。
学習用教師データ生成部230は、グループ別の監視画像群をディスプレイ装置に表示させ、自動仕分けされた監視画像に対する作業員によるグループ手動仕分け操作を受け付ける。つまり、学習用教師データ生成部230は、仮仕分けされた各グループに含まれる監視画像を作業員が目視でチェックできるようにし、必要に応じて、監視画像をグループから除外したり、グループを入れ替えたりする作業員による手動仕分け機能を提供する。学習用教師データ生成部230は、自動仕分け(仮仕分け)及び手動仕分けを経て仕分けされたグループ別の監視画像群を教師データとして生成(蓄積)する。
なお、本実施形態の学習装置200は、水質異常の観点から「異常」を基準に説明しているが、「正常」を基準に学習データの仕分け及び教師データの生成を行うように構成してもよい。
学習処理部240は、生成された教師データを適用して物体検知モデルを含む水質監視モデルの学習処理を行う。なお、物体検知モデルの学習処理については、例えば、教師データ(監視画像)に対して予めセグメンテーション処理を行うように構成することができる。これらの学習処理及び教師データについては、公知の手法を適宜採用することができる。
このように本実施形態の学習装置200は、収集された学習データを水質計2の測定値に基づく仮仕分け機能を備えている。
学習処理では膨大な学習データを必要とし、かつ教師データ(正常/異常)を選別する必要がある。従来は、作業員が一枚一枚の画像データを確認して選別を行っていたが、作業効率が悪かった。特に、水質異常の発生頻度が低いと、膨大な画像の中から水質異常の画像を選定するのに、多くの時間が要してしまう。
そこで、本実施形態では、監視画像とセットで水質計2の測定値を収集し、水質計2の測定値に対応する所定の基準値を設定しておく(S201)。そして、閾値を超える監視画像を異常画像グループ、超えない監視画像を正常画像グループとして一次診断を行って自動選別する(S202)。
仮仕分けされた各監視画像は、グループ別にディスプレイ装置に表示され(S203)、作業員は、最終的に手作業で各監視画像を確認し、教師データとして選定するが(S204)、異常画像グループの各画像に対し、水質異常の画像であるという認識の下で確認作業を行えばよく、正常画像グループの各画像に対しては、水質異常の画像が含まれていないかという認識の下で確認作業を行えばよい。つまり、水質異常/正常が混在している大量の画像群の中から、水質異常/正常の各画像を選別するよりも、作業効率が向上し、画像選定に費やす時間を大幅に短縮することができる。そして、自動仕分け及び手動仕分けを経て仕分けされたグループ別の監視画像群が教師データとして生成(蓄積)される(S205)。
以上、実施形態について説明したが、監視装置100及び学習装置200は、1つの装置で構成し、学習システムを備えた監視装置として構成してもよい。また、装置100,200は、クラウド型のサービス提供形態として構築することも可能である。つまり、監視カメラ1から出力される監視画像及び水質計2から出力される測定値を、IP網を通じて監視装置100や学習装置200に送信するように構成する。これにより、クラウド側で学習データを収集することができ、また作業員が閲覧可能な監視設備(監視端末等)に監視結果を出力(提供)するように構成することができる。また、学習装置200は、学習データの収集蓄積機能と、学習機能とが別々の装置で構成された態様であってもよい。
また、装置100,200は、サーバ装置等の演算機能、記憶機能、通信機能などを備えるコンピュータ装置である。また、ハードウェア構成としては、メモリ(主記憶装置)、マウス、キーボード、タッチパネル、スキャナー等の操作入力手段、プリンタなどの出力手段、補助記憶装置(ハードディスク等)等を備えることができる。
また、本発明の各機能は、プログラムによって実現可能であり、各機能を実現するために予め用意されたコンピュータプログラムが補助記憶装置に格納され、CPU等の制御部が補助記憶装置に格納されたプログラムを主記憶装置に読み出し、主記憶装置に読み出された該プログラムを制御部が実行して、コンピュータに本発明の各部の機能を動作させることができる。他方、装置100,200の各機能は、各々個別の装置で構成することもでき、複数の装置を直接に又はネットワークを介して接続してコンピュータシステムを構成することもできる。
また、上記プログラムは、コンピュータ読取可能な記録媒体に記録された状態で、コンピュータに提供することも可能である。コンピュータ読取可能な記録媒体としては、CD-ROM等の光ディスク、DVD-ROM等の相変化型光ディスク、MO(Magnet Optical)やMD(Mini Disk)などの光磁気ディスク、フロッピー(登録商標)ディスクやリムーバブルハードディスクなどの磁気ディスク、コンパクトフラッシュ(登録商標)、スマートメディア、SDメモリカード、メモリスティック等のメモリカードが挙げられる。また、本発明の目的のために特別に設計されて構成された集積回路(ICチップ等)等のハードウェア装置も記録媒体として含まれる。
なお、本発明の実施形態を説明したが、当該実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。この新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。
1 監視装置
2 水質計
100 監視装置
110 監視制御部
111 水質異常検知部
120 監視結果出力部
130 記憶部
200 学習装置
210 学習データ収集部
220 学習データ選定部
230 学習用教師データ生成部
240 学習処理部
250 記憶部
251 学習済みモデル
252 各種データ
2 水質計
100 監視装置
110 監視制御部
111 水質異常検知部
120 監視結果出力部
130 記憶部
200 学習装置
210 学習データ収集部
220 学習データ選定部
230 学習用教師データ生成部
240 学習処理部
250 記憶部
251 学習済みモデル
252 各種データ
Claims (5)
- 物体検知モデルを用い、監視カメラから出力される水質監視対象の撮影画像から水面領域を認識し、認識された前記水面領域の状態に基づく水質異常を判定する水質異常検知部と、
監視結果を出力する監視結果出力部と、
を有することを特徴とする水質監視システム。 - 前記水質異常検知部は、物体検知モデルによって抽出された前記水面領域の濁り状態の特徴量に基づく信頼スコアを算出し、信頼スコアに基づいて認識された前記水面領域の水質異常の判定を行い
前記監視結果出力部は、前記信頼スコアを含む監視結果を出力することを特徴とする請求項1に記載の水質監視システム。 - 前記監視カメラは、作業員によるマニュアル操作で画角又は監視カメラの向きを変更可能であることを特徴とする請求項1又は2に記載の水質監視システム。
- 水質監視対象に設けられる水質計の測定値と、前記測定値に対応する監視画像とをセットにした学習データを格納する学習データ収集部と、
前記測定値に対応する所定の基準値を用いて、監視画像を2以上のグループに自動仕分けする学習データ選定部と、
グループ別の監視画像群をディスプレイ装置に表示させ、自動仕分けされた監視画像に対する作業員によるグループ手動仕分け操作を受け付けるとともに、自動仕分け及び手動仕分けを経て仕分けされたグループ別の監視画像群に基づく教師データを生成する学習用教師データ生成部と、
生成された前記教師データを適用して前記水質監視モデルの学習処理を行う学習処理部と、をさらに有し、
前記所定の基準値は、水質計に基づく水質監視対象の異常を示す基準値、又は水質計に基づく水質監視対象の正常を示す基準値であることを特徴とする請求項1から3のいずれか1つに記載の水質監視システム。 - コンピュータによって実行されるプログラムであって、
物体検知モデルを用い、監視カメラから出力される水質監視対象の撮影画像から水面領域を認識し、認識された前記水面領域の状態に基づく水質異常を判定する第1機能と、
監視結果を出力する第2機能と、
を前記コンピュータに実現させるためのプログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202280059788.6A CN117916592A (zh) | 2021-09-21 | 2022-09-13 | 水质监视系统 |
KR1020247010020A KR20240047471A (ko) | 2021-09-21 | 2022-09-13 | 수질 감시 시스템 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021152972A JP2023044875A (ja) | 2021-09-21 | 2021-09-21 | 水質監視システム |
JP2021-152972 | 2021-09-21 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2023048017A1 true WO2023048017A1 (ja) | 2023-03-30 |
Family
ID=85720637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/JP2022/034204 WO2023048017A1 (ja) | 2021-09-21 | 2022-09-13 | 水質監視システム |
Country Status (5)
Country | Link |
---|---|
JP (1) | JP2023044875A (ja) |
KR (1) | KR20240047471A (ja) |
CN (1) | CN117916592A (ja) |
TW (1) | TWI832435B (ja) |
WO (1) | WO2023048017A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116233370A (zh) * | 2023-04-27 | 2023-06-06 | 安徽哈斯特自动化科技有限公司 | 基于水质监测的智能化视频监控方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117110217B (zh) * | 2023-10-23 | 2024-01-12 | 安徽农业大学 | 一种立体化水质监测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02242154A (ja) * | 1989-03-15 | 1990-09-26 | Hitachi Ltd | 生物の画像監視装置 |
JPH06304546A (ja) * | 1993-04-21 | 1994-11-01 | Hitachi Ltd | 上水道プラントの運用制御装置 |
JPH0830765A (ja) * | 1994-07-14 | 1996-02-02 | Toyo Constr Co Ltd | 水域モニタリングシステム |
JP2006284525A (ja) * | 2005-04-05 | 2006-10-19 | Port & Airport Research Institute | 砕水画像を用いた水質推定方法、及び砕水画像処理式水質推定システム |
CN103175792A (zh) * | 2013-03-18 | 2013-06-26 | 陈勇 | 一种基于机器视觉的水环境监测装置 |
CN110414334A (zh) * | 2019-06-20 | 2019-11-05 | 浙江大学 | 一种基于无人机巡视的智能水质识别方法 |
JP2019209271A (ja) * | 2018-06-06 | 2019-12-12 | 株式会社明電舎 | 汚水処理施設の水質判定装置及び水質判定方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI456185B (zh) * | 2012-01-13 | 2014-10-11 | Oriental Inst Technology | 水質檢測系統及其方法 |
JP2017207323A (ja) | 2016-05-17 | 2017-11-24 | 三菱電機株式会社 | 画像処理型水質監視装置 |
-
2021
- 2021-09-21 JP JP2021152972A patent/JP2023044875A/ja active Pending
-
2022
- 2022-09-13 CN CN202280059788.6A patent/CN117916592A/zh active Pending
- 2022-09-13 WO PCT/JP2022/034204 patent/WO2023048017A1/ja unknown
- 2022-09-13 KR KR1020247010020A patent/KR20240047471A/ko unknown
- 2022-09-19 TW TW111135261A patent/TWI832435B/zh active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02242154A (ja) * | 1989-03-15 | 1990-09-26 | Hitachi Ltd | 生物の画像監視装置 |
JPH06304546A (ja) * | 1993-04-21 | 1994-11-01 | Hitachi Ltd | 上水道プラントの運用制御装置 |
JPH0830765A (ja) * | 1994-07-14 | 1996-02-02 | Toyo Constr Co Ltd | 水域モニタリングシステム |
JP2006284525A (ja) * | 2005-04-05 | 2006-10-19 | Port & Airport Research Institute | 砕水画像を用いた水質推定方法、及び砕水画像処理式水質推定システム |
CN103175792A (zh) * | 2013-03-18 | 2013-06-26 | 陈勇 | 一种基于机器视觉的水环境监测装置 |
JP2019209271A (ja) * | 2018-06-06 | 2019-12-12 | 株式会社明電舎 | 汚水処理施設の水質判定装置及び水質判定方法 |
CN110414334A (zh) * | 2019-06-20 | 2019-11-05 | 浙江大学 | 一种基于无人机巡视的智能水质识别方法 |
Non-Patent Citations (3)
Title |
---|
TAKASE, NOBUAKI ET AL.: "Tutorial visual inspection", GAZO RABO = IMAGE LABORATORY, NIHON KOGYO SHUPPAN, TOKYO,, JP, vol. 31, no. 11, 1 November 2019 (2019-11-01), JP , pages 1 - 8, XP009545149, ISSN: 0915-6755 * |
WU JINDONG; WANG TENG: "Mapping Salton Sea Water Surface Extent and Its Long-Term Changes with Landsat TM Imagery", 2018 FIFTH INTERNATIONAL WORKSHOP ON EARTH OBSERVATION AND REMOTE SENSING APPLICATIONS (EORSA), IEEE, 18 June 2018 (2018-06-18), pages 1 - 5, XP033488269, DOI: 10.1109/EORSA.2018.8598578 * |
WU YIRUI, ZHANG XUYUN, XIAO YAO, FENG JUN: "Attention Neural Network for Water Image Classification under IoT Environment", APPLIED SCIENCES, vol. 10, no. 3, pages 909, XP093054084, DOI: 10.3390/app10030909 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116233370A (zh) * | 2023-04-27 | 2023-06-06 | 安徽哈斯特自动化科技有限公司 | 基于水质监测的智能化视频监控方法 |
Also Published As
Publication number | Publication date |
---|---|
KR20240047471A (ko) | 2024-04-12 |
CN117916592A (zh) | 2024-04-19 |
TW202316101A (zh) | 2023-04-16 |
JP2023044875A (ja) | 2023-04-03 |
TWI832435B (zh) | 2024-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023048017A1 (ja) | 水質監視システム | |
CN110414334B (zh) | 一种基于无人机巡视的智能水质识别方法 | |
JP7043983B2 (ja) | 汚水処理施設の水質判定装置及び水質判定方法 | |
JPH07201946A (ja) | 半導体装置等の製造方法及びその装置並びに検査方法及びその装置 | |
JP2017510981A (ja) | カスタマイズされたメトリックスをグローバル分類方法と組み合わせて極高処理能力でプロセスツール状態を監視するウエハおよびロットベースの階層化方法 | |
EP2980557A1 (en) | System and method for monitoring a fluid | |
CN111062938B (zh) | 基于机器学习的板材涨塞检测系统和检测方法 | |
CN103606221A (zh) | 清分机故障自动诊断方法以及装置 | |
WO2024055796A1 (zh) | 一种缺陷检测系统、方法、装置、电子设备及存储介质 | |
CN105241811A (zh) | 多层次聚焦自动采图方法与系统 | |
CN115063357A (zh) | 表面缺陷的检测方法、系统、电子设备及存储介质 | |
JP6870696B2 (ja) | 汚れ検出装置および空気調和システム | |
TWI396832B (zh) | Liquid level identification method | |
WO2017030138A1 (ja) | 水処理槽活性汚泥状態評価装置用治具、これを用いた水処理槽活性汚泥状態評価装置および状態評価方法 | |
JP2004198436A (ja) | 欠陥検査方法及びその装置 | |
JP2011128030A (ja) | 欠陥検査装置、及び欠陥情報管理方法 | |
CN115934979B (zh) | 一种基于多采集端的土壤侵蚀信息管理方法及系统 | |
CN107742287A (zh) | 护套检测系统及方法 | |
CN115249316A (zh) | 工业缺陷检测方法和装置 | |
CN115672778A (zh) | 一种智能视觉识别系统 | |
JP3605579B2 (ja) | クリーンルーム用の塵埃検出装置、塵埃検出システム、微粒子測定器および塵埃検出方法 | |
Puan et al. | Automated pavement imaging program (APIP) for pavement cracks classification and quantification | |
JP4829542B2 (ja) | フィルム検査装置およびフィルム検査方法 | |
CN110926737B (zh) | 一种基于深度图像的筛板故障智能监测方法 | |
WO2023095414A1 (ja) | 微小粒子の計測方法、微小粒子計測装置及び微小粒子計測システム |
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: 22872771 Country of ref document: EP Kind code of ref document: A1 |
|
ENP | Entry into the national phase |
Ref document number: 20247010020 Country of ref document: KR Kind code of ref document: A |